1个月时间整理了2019年上千道Java面试题,近500页文档!

72道领域驱动设计面试八股文(答案、分析和深入提问)整理 战略设计主要解决的是“什么”的问题:我们在做什么,业务的哪些部分需要关注,以及如何划分边界。战术设计则关注“怎么做”:在这些领域中,我们如何具体实现领域模型和功能。在一个成功的DDD项目中,战略设计和战术设计是相辅相成的,战略设计为项目提供了宏观视角和框架,而战术设计则确保了在微观层面上实现具体的业务逻辑和规则。在DDD中,数据一致性问题需要针对具体的业务场景和系统架构进行设计和决策。通过合理划分聚合、使用领域事件、采用最终一致性和CQRS等手段,可以有效地处理这些问题。 阅读详情

Spring 面试题

1、一般问题

1.1、不同版本的 spring Framework 有哪些主要功能?

1.2、什么是 spring Framework?

1.3、列举 spring Framework 的优点。

1.4、spring Framework 有哪些不同的功能?

1.5、spring Framework 中有多少个模块,它们分别是什么?

1.6、什么是 spring 配置文件?....

1.7、spring 应用程序有哪些不同组件?

1.8、使用 springg 有哪些方式

2、依赖注入(Ioc)

2.1、什么是 Spring IOC 容器?

2.2、什么是依赖注入?

2.3、可以通过多少种方式完成依赖注入?

2.4、区分构造函数注入和 setter 注入。

2.5、spring 中有多少种 IOC 容器?

2.6、区分 BeanFactory 和 ApplicationContext。.

2.7、列举 IoC 的一些好处。

2.8、Spring IoC 的实现机制。

3、Beans

3.1、什么是 spring bean?..

3.2、spring 提供了哪些配置方式?

3.3、spring 支持集中 bean scope?

3.4、spring bean 容器的生命周期是什么样的?

3.5、什么是 spring 的内部 bean?

3.6、什么是 spring 装配

3.7、自动装配有哪些方式?

3.8、自动装配有什么局限?

4、注解

4.1、什么是基于注解的容器配置..

4.2、如何在 spring 中启动注解装配?

4.3、@Component, @Controller, @Repository, @Service 有何区别?

4.4、@Required 注解有什么用?

4.5、@Autowired 注解有什么用?.

4.6、@Qualifier 注解有什么用?.

4.7、@RequestMapping 注解有什么用?..

5、数据访问...

5.1、spring DAO 有什么用?

5.2、列举 Spring DAO 抛出的异常。

5.3、spring JDBC API 中存在哪些类?

5.4、使用 Spring 访问 Hibernate 的方法有哪些?

5.5、列举 spring 支持的事务管理类型

5.6、spring 支持哪些 ORM 框架

6、AOP

6.1、什么是 AOP?.

6.2、什么是 Aspect?

6.3、什么是切点(JoinPoint).

6.4、什么是通知(Advice)?.

6.5、有哪些类型的通知(Advice)?

6.6、指出在 spring aop 中 concern 和 cross-cutting concern 的不同之处。

6.7、AOP 有哪些实现方式?

6.8、Spring AOP and AspectJ AOP 有什么区别?

6.9、如何理解 Spring 中的代理?.

6.10、什么是编织(Weaving)?

7、MVC

7.1、Spring MVC 框架有什么用?

7.2、描述一下 DispatcherServlet 的工作流程.

7.3、介绍一下 WebApplicationContext

MyBatis 面试题

1、什么是 Mybatis?

2、Mybaits 的优点

3、MyBatis 框架的缺点

4、MyBatis 框架适用场合

5、MyBatis 与 Hibernate 有哪些不同?

6、#{}和${}的区别是什么?

7、当实体类中的属性名和表中的字段名不一样 ,怎么办 ?

8、 模糊查询 like 语句该怎么写?

9、通常一个 Xml 映射文件,都会写一个 Dao 接口与之对应,请问,这个 Dao 接口的工作原理是什么?Dao 接口里的方法,参数不同时,方法能重载吗?

10、Mybatis 是如何进行分页的?分页插件的原理是什么?

11、Mybatis 是如何将 sql 执行结果封装为目标对象并返回的?都有哪些映射形式?.

12、如何执行批量插入?

13、如何获取自动生成的(主)键值?

14、在 mapper 中如何传递多个参数?

15、Mybatis 动态 sql 有什么用?执行原理?有哪些动态 sql?

16、Xml 映射文件中,除了常见的 select|insert|updae|delete 标签之外,还有哪些标签?

18、为什么说 Mybatis 是半自动 ORM 映射工具?它与全自动的区别在哪里?

19、 一对一、一对多的关联查询 ?

20、MyBatis 实现一对一有几种方式?具体怎么操作的?

21、MyBatis 实现一对多有几种方式,怎么操作的?

22、Mybatis 是否支持延迟加载?如果支持,它的实现原理是什么?

23、Mybatis 的一级、二级缓存:

24、什么是 MyBatis 的接口绑定?有哪些实现方式?

25、使用 MyBatis 的 mapper 接口调用时有哪些要求?

26、Mapper 编写有哪几种方式?

27、简述 Mybatis 的插件运行原理,以及如何编写一个插件。

ZooKeeper 面试题

1. ZooKeeper 面试题?

2. ZooKeeper 提供了什么?

3. Zookeeper 文件系统

4. ZAB 协议?

5. 四种类型的数据节点 Znode

6. Zookeeper Watcher 机制 -- 数据变更通知

7. 客户端注册 Watcher 实现

8. 服务端处理 Watcher 实现

9. 客户端回调 Watcher

10. ACL 权限控制机制

11. Chroot 特性

12. 会话管理

13. 服务器角色

14. Zookeeper 下 Server 工作状态

15. 数据同步

16. zookeeper 是如何保证事务的顺序一致性的?

17. 分布式集群中为什么会有 Master?

18. zk 节点宕机如何处理?

19. zookeeper 负载均衡和 nginx 负载均衡区别

20. Zookeeper 有哪几种几种部署模式?

21. 集群最少要几台机器,集群规则是怎样的?

22. 集群支持动态添加机器吗?

23. Zookeeper 对节点的 watch 监听通知是永久的吗?为什么不是永久的?.

24. Zookeeper 的 java 客户端都有哪些?

25. chubby 是什么,和 zookeeper 比你怎么看?

26. 说几个 zookeeper 常用的命令。

27. ZAB 和 Paxos 算法的联系与区别?.....

28. Zookeeper 的典型应用场景

 

微服务面试题

1、您对微服务有何了解?

2、微服务架构有哪些优势?

3、微服务有哪些特点?

4、设计微服务的最佳实践是什么?

5、微服务架构如何运作?

6、微服务架构的优缺点是什么?

7、单片,SOA 和微服务架构有什么区别?

8、在使用微服务架构时,您面临哪些挑战?

9、SOA 和微服务架构之间的主要区别是什么?

10、微服务有什么特点?

11、什么是领域驱动设计?

12、为什么需要域驱动设计(DDD)?.

13、什么是无所不在的语言?

14、什么是凝聚力?

15、什么是耦合?

16、什么是 REST / RESTful 以及它的用途是什么?

17、你对 Spring Boot 有什么了解?

18、什么是 Spring 引导的执行器?....

19、什么是 Spring Cloud?

20、Spring Cloud 解决了哪些问题?

21、在 Spring MVC 应用程序中使用 WebMvcTest 注释有什么用处?

22、你能否给出关于休息和微服务的要点?

23、什么是不同类型的微服务测试?

24、您对 Distributed Transaction 有何了解?

25、什么是 Idempotence 以及它在哪里使用?

26、什么是有界上下文?

27、什么是双因素身份验证?

28、双因素身份验证的凭据类型有哪些?

29、什么是客户证书?

30、PACT 在微服务架构中的用途是什么?

31、什么是 OAuth?

32、康威定律是什么?

33、合同测试你懂什么?

34、什么是端到端微服务测试?

35、Container 在微服务中的用途是什么?

36、什么是微服务架构中的 DRY?

37、什么是消费者驱动的合同(CDC)?

38、Web,RESTful API 在微服务中的作用是什么?

39、您对微服务架构中的语义监控有何了解?

40、我们如何进行跨功能测试?

41、我们如何在测试中消除非决定论?

42、Mock 或 Stub 有什么区别?

43、您对 Mike Cohn 的测试金字塔了解多少?

44、Docker 的目的是什么?

45、什么是金丝雀释放?

46、什么是持续集成(CI)?

47、什么是持续监测?

48、架构师在微服务架构中的角色是什么?

49、我们可以用微服务创建状态机吗?

50、什么是微服务中的反应性扩展?

Java 并发编程

1、在 java 中守护线程和本地线程区别?

2、线程与进程的区别?

3、什么是多线程中的上下文切换?

4、死锁与活锁的区别,死锁与饥饿的区别?

5、Java 中用到的线程调度算法是什么?

6、什么是线程组,为什么在 Java 中不推荐使用?

7、为什么使用 Executor 框架?

8、在 Java 中 Executor 和 Executors 的区别?

9、如何在 Windows 和 Linux 上查找哪个线程使用的 CPU 时间最长?

10、什么是原子操作?在 Java Concurrency API 中有哪些原子类(atomic classes)?

11、Java Concurrency API 中的 Lock 接口(Lock interface)是什么?对比同步它有什么优势?

12、什么是 Executors 框架?

13、什么是阻塞队列?阻塞队列的实现原理是什么?如何使用阻塞队列来实现生产者-消费者模型?

14、什么是 Callable 和 Future?

15、什么是 FutureTask?使用 ExecutorService 启动任务。

16、什么是并发容器的实现?

17、多线程同步和互斥有几种实现方法,都是什么?

18、什么是竞争条件?你怎样发现和解决竞争?

19、你将如何使用 thread dump?你将如何分析 Thread dump?165

20、为什么我们调用 start()方法时会执行 run()方法,为什么我们不能直接调用 run()方法?

21、Java 中你怎样唤醒一个阻塞的线程?

22、在 Java 中 CycliBarriar 和 CountdownLatch 有什么区别?

23、什么是不可变对象,它对写并发应用有什么帮助?

24、什么是多线程中的上下文切换?

25、Java 中用到的线程调度算法是什么?

26、什么是线程组,为什么在 Java 中不推荐使用?

27、为什么使用 Executor 框架比使用应用创建和管理线程好?

28、java 中有几种方法可以实现一个线程?

29、如何停止一个正在运行的线程?

30、notify()和 notifyAll()有什么区别?

31、什么是 Daemon 线程?它有什么意义?

32、java 如何实现多线程之间的通讯和协作?

欢迎大家关注我的公种浩【程序员追风】,整理了2019年多家公司java面试题资料400多页pdf文档,文章都会在里面更新,整理的资料也会放在里面。

我个人觉得面试也像是一场全新的征程,失败和胜利都是平常之事。所以,劝各位不要因为面试失败而灰心、 丧失斗志。也不要因为面试通过而沾沾自喜,等待你的将是更美好的未来,继续加油!

针对于上面的面试问到的知识点我总结出了互联网公司Java程序员面试涉及到的绝大部分面试题及答案做成了文档和架构资料分享给大家,帮助到您面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习。

最后

欢迎大家一起交流,喜欢文章记得关注我点个赞哟,感谢支持!

微服务架构面试题(四) 1. 为什么需要域驱动设计(DDD)? 2. 简述领域驱动设计(DDD)? 3. 详细阐述SOA 和微服务架构之间的主要区别 ? 4. 简述使用微服务架构时,你面临的挑战是什么? 5. 详细阐述微服务特点和重要特性 ? 6. 解释设计微服务的最佳实践是什么? 7. 简述SpringCloud Alibaba的整体架构 ? 阅读详情

相关推荐

ESP32天线阵列实现Wi-Fi空间成像与无直视定位

Wi-Fi信道状态信息(CSI)是OFDM系统中表征多径传播特性的基础物理层参数,其复数值包含幅度与相位,可反映无线环境的空间特征。基于CSI的射频感知技术,通过提取子载波级信道响应,结合阵列信号处理,实现到达角(AoA)估计与深度映射,本质是将通信链路重构为空间域传感器。该技术无需专用雷达硬件,具备低成本、被动式、隐私友好等工程优势,在室内定位、行为识别、仓储导航等场景具有广泛落地价值。本文聚焦ESP32平台,详解多芯片相位同步、CSI零拷贝采集、嵌入式MUSIC算法及信道图谱轻量化部署等关键实现。

weixin_30632267的博客 236

面试之设计相关

面试必聊

weixin_48078777的博客 724

sap外币重估流程图_SAP 外币评估方法(Valuation Method,评估方法)

在FI-GL模块评估外币时(T-code:F.05),需要输入ValuationMethod。下面分解一下评估方法是如何定义的。IMG -> FI -> General LedgerAccounting ->Business Transactions ->Closing ->Valuating -> ForeignCurrency Valuation ->...

weixin_39640543的博客 2356

DDD常见面试题和答案

好的,在这里列举一些 DDD 常见的面试题和答案: 什么是 DDD? DDD 是领域驱动设计的缩写。它是一种软件开发方法,旨在以业务领域为中心来构建系统。它通过对业务领域模型进行建模,并将业务规则和流程与系统设计结合起来,以提高系统的可理解性和可维护性。 DDD 的核心概念有哪些? 领域模型:通过抽象和组合实体、值对象和服务来表示业务规则和流程。 领域建模:通过与业务专家的沟通来深入了解...

weixin_42591413的博客 2417

OCCT(Open CASCADE Technology)入门-2.搭建开发环境

安装完成后,在【扩展】菜单下会看到【Qt VS Tools】菜单,打开子菜单【options】进入qt配置窗口。打开VS后随便创建一个新项目,进入开发环境主页,打开顶部菜单【扩展】->【管理扩展】打开管理扩展窗口。然后点击右下角【创建】,一路【next】即可,最后会进入到开发主界面,得到一个下面的工程结构。好了,到这里基本的环境我们已经安装好了,下面我们开始创建项目并配置开发环境。打开顶部菜单【项目】,点击最后一个菜单项【xxx属性】,进入项目配置界面。这里的配置一般不用改,我们看【Versions】

2501_91235145的博客 2875

14、多级快速多极子算法(MLFMA)详解

多级快速多极子算法(MLFMA)是一种高效加速矩阵向量乘法(MVM)的数值方法,广泛应用于电磁场积分方程求解中。该算法通过构建多级树结构,将MVM分解为近场直接计算和远场分组计算两部分,利用递归聚类、聚合-平移-分解三阶段处理远场相互作用,并结合采样、模式计算与优化策略,将计算复杂度从O(N^2)降低至O(N log N)。博文详细阐述了MLFMA的核心步骤、数学推导、计算复杂度及实际应用中的优化技术,如伽辽金方案改进、对称性利用和反插值方法,为大规模电磁问题的高效求解提供了系统性指导。

t8u9v0w1x的博客 242

面试:DDD 领域驱动设计

领域驱动设计(Domain-Driven Design,DDD)是一种软件设计方法,它重点关注软件开发中涉及的领域概念,旨在帮助团队在复杂系统中实现业务逻辑。DDD 的核心思想是将实现连接到持续进化的模型,通过领域模型驱动系统设计。它倡导统一语言,提出了一系列概念,包括实体、值对象、聚合根等,以帮助团队更好地理解和表达业务模型。领域驱动设计的目标是通过清晰的领域模型、领域语言和领域边界来理解和解决业务问题。它鼓励跨职能团队的合作,以确保软件系统与业务需求保持一致,并且能够应对变化和复杂性。

青鱼入云的博客 2130

【教程4>第5章>第23节】基于FPGA的Gardner环实现——环路滤波器模块和Gardner环整体测试

1]黄凌.基于FPGA的QPSK全数字调制解调系统的设计与实现[D].南京航空航天大学[2025-02-02].DOI:10.7666/d.d166927.注意,这里包括一个NCO模块,一个内插模块,一个时偏误差检测模块,一个环路滤波器模块,在gardner环中,wk的反馈输入,变量为ww,从而构成了闭环。[4]李司.基于FPGA的数字接收机同步技术的研究与实现[D].北京交通大学[2025-02-02].DOI:10.7666/d.y1082455.:调整NCO的相位步长,控制采样时刻。

FPGA/MATLAB学习教程/源码/项目合作开发 853

java获取上个月年月_1个月时间整理了2019年上千道Java面试题,近500页文档!

Spring 面试题1、一般问题1.1、不同版本的 spring Framework 有哪些主要功能?1.2、什么是 spring Framework?1.3、列举 spring Framework 的优点。1.4、spring Framework 有哪些不同的功能?1.5、spring Framework 中有多少个模块,它们分别是什么?1.6、什么是 spring 配置文件?....1.7、s...

weixin_39990250的博客 90

DeepSeek:为文化创意产业注入AI新动能

沪南胜境,闵行新章。随后,2024 年 5 月,DeepSeek 宣布开源第二代 MoE 大模型 DeepSeek-V2,以其比肩 GPT-4Turbo 的卓越性能,以及仅为 GPT-4 百分之一的价格优势,迅速在市场中掀起波澜,收获了 “AI 届拼多多” 的独特名号,让更多人看到了高性价比 AI 大模型的可能性。创作者自身也应提高对创作伦理的认识,树立正确的创作观念,在使用 AI 工具时,保持对创作的主导权,充分发挥自己的创造力和想象力,将 AI 作为创作的辅助工具,而不是替代品。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 1962

汽车ECU诊断刷写和OTA升级中的验签和校验

汽车ECU诊断刷写和OTA升级中的验签和校验

天赐好车的博客 617

整理了2025年上千道Java面试题,近500页文档,花费了1个月时间

最后针对于上面的面试问到的知识点我总结出了互联网公司Java程序员面试涉及到的绝大部分面试题及答案做成了文档和架构资料分享给大家,帮助到你面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习。9、通常一个 Xml 映射文件,都会写一个 Dao 接口与之对应,请问,这个 Dao 接口的工作原理是什么?11、Java Concurrency API 中的 Lock 接口(Lock interface)是什么?11、Mybatis 是如何将 sql 执行结果封装为目标对象并返回的?

m0_50180963的博客 855

LPDDR4 JEDEC标准测试实例解析--写操作

LPDDR4的JEDEC标准一致性测试项详解以及实例分享,满满干货!感兴趣的小伙伴可以持续关注!!

一只豌豆象的博客 7774

整理了2025年上千道Java面试题,近500页文档

最后针对于上面的面试问到的知识点我总结出了互联网公司Java程序员面试涉及到的绝大部分面试题及答案做成了文档和架构资料分享给大家,帮助到你面试前的复习且找到一个好的工作,也节省大家在网上搜索资料的时间来学习。9、通常一个 Xml 映射文件,都会写一个 Dao 接口与之对应,请问,这个 Dao 接口的工作原理是什么?11、Java Concurrency API 中的 Lock 接口(Lock interface)是什么?11、Mybatis 是如何将 sql 执行结果封装为目标对象并返回的?

m0_69632475的博客 889

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: Java线程池原理与源码详细解读,再也不怕面试问线程池了!
下一篇: 面试还搞不懂redis,快看看这40道面试题(含答案和思维导图)
程序员追风
程序员追风 优质创作者: Java技术领域 优质创作者: Java技术领域
博客等级 码龄7年 9635粉丝 237原创
评论 40
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值