这份软件工程师简历火了：手磨14nm咖啡，在微软传播性病，90%公司伸橄榄枝

DevolperFront DevolperFront 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 384平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
转载 最新推荐文章于 2026-11-10 09:06:32 发布 384 阅读 AI 写同款· GEO 优化 ›
SpringBoot+Vue+MySQL 高校学科竞赛平台 完整可运行版（源码+文档） 本项目基于SpringBoot+Vue+MySQL构建高校学科竞赛管理平台，覆盖学生、教师、领队教师、管理员四大角色，实现竞赛发布、报名、刷题、评分、公示等全流程闭环管理。系统架构清晰，技术主流，配套完整源码、数据库脚本、万字论文、开题报告、答辩PPT及部署文档，支持一键运行，适用于毕业设计、课程设计及院系二次开发，真正实现“开箱即用”。 阅读详情 

 
点击“开发者技术前线”，选择“星标”

 
让一部分开发者先看到未来

 
来自：量子位 报道 | 公众号 QbitAI

 
就很荒诞，一个软件工程师的简历竟然是这样的：

 

  
确保团队6人能喝上咖啡，还是用南极洲咖啡豆磨成14纳米颗粒的那种。

  
在LinkedIn上关注创始人（Reid Hoffman）。

  
在微软把性病传播给60%的实习团队。

 

 
7f5a39ce27275ef70c207c75889fa86a.png

 
你肯定会认为，这样的简历绝对是会毙掉的。

 
错！

 
居然有90%的公司抛出了橄榄枝，给简历做了回复。

 
而且还是像Airbnb这样的知名小巨头企业。

 
61dc59006860fe974654d67f7f07cad7.gif

 
这简历如此一本正经的胡说八道，效果却这般反差，惊掉了一众网友的下巴。

 
0466107ef083b01b6bc02a4d72e7d532.png

 
胡说八道的“面试收割机”

 
事情是这样的。

 
这位工程师名叫Angelina Lee（简称“天使姐”），在此之前，她投出去的简历基本上都是被拒状态。

 
这就让她心生好奇：

 

  
招聘人员到底有没有在看简历？

 

 
于是，天使姐便灵机一动，打算造假一个看似不错的简历一探究竟。

 
df801fddf508357f8dc1b51c79486196.png

 
这份简历第一眼瞥过去，很多人可能都会觉得正常：技能、个人和教育经历。

 
是相当标准的“三段式”简历了。

 
但天使姐设置的玄机就暗藏在更为细节的详情介绍中。

 
例如“技能”介绍中的描述是这样的：

 

  
经验丰富的软件工程师，具有在金融科技、健康和成人娱乐行业建立可扩展系统的背景。

  
擅长JavaScript、TypeScript、Node.js、React AI、Mia Khalifa和C++。

 

 
金融科技和健康领域倒是没什么，不过这个“成人娱乐”……就不禁让人浮想联翩了。

 
再是具体到会使用的语言和工具，大部分都是较为常见的，不过这个Mia Khalifa……

 
（咳咳，反正一位艳星也叫Mia Khalifa）

 
26836ffe1d91d6d6e261f4956542a2a5.png

 
接下来的“个人经历”，更是精彩。

 
四家公司都是妥妥的大厂没错了：微软、LinkedIn、Zillow还有Instagram。

 
在每家公司的履历介绍中，她都展开描述了3-4个细节工作。

 
但你要是仔细阅读一下，简直不要太！离！！谱！！！

 
例如在Instagram工作时：

 

  
领导由6名工程师组成的团队，在公司服务器上挖掘以太坊。

 

 
公然拿公司服务器挖矿？那简直是跟“删库跑路”有的一拼了。

 
还有“把咖啡豆磨成14nm，为团队提供充足的咖啡”。

 
这位天使姐，你莫不是一台光刻机吧……

 
df68d0c0f0b41006d7bd8fb6535306b7.png

 
再例如在微软的工作经历中，这位工程师称“带领微软员工重整特朗普公司”。

 
还在实习团队中，把性病传播给了60%的人……

 
776bd0fe15d19c7f0d2af666d6f1dd3e.png

 
讲真，如此胡诌的工作经历，电视剧都不敢这么拍。

 
还有教育经历中的一处介绍是：

 

  
在兄弟会中创造了一晚喝最多伏特加的纪录。

 

 
而且简历里的所有超链，都不是与之相关的链接地址，点一下你就会发现被Rickroll了。

 
（Rickroll在国外大致就是一个被整蛊了的梗）

 
b42cba1b4bea11f1457ecc84aadf5040.png

 
但就是这样荒诞的简历，竟然“回头率”高达90%！

 
回复邮件的公司包括Reddit、Dropbox、Notion、ApartmentList、Quizlet、Outschool、LiveRamp、AirBnB和Blend等。

 
像Atlassian，在1小时内就回复了简历邮件。

 
而且天使姐在邮件交流过程中，链接里附带的依旧是Rickroll整蛊的图片。

 
abbf28c078e3e6488f97530b557058b8.png

 
然鹅，这些招聘人员是点都不点一下，直接抛出橄榄枝，安排面试。

 
于是，这样的一次经历，让Lee总结出了一个道理：

 

  
1、在大厂工作

  
2、不要不在大厂工作

 

 
e406d81573ef9badb9dfa8d30aee0d0f.png

 
换句话说，就是简历有大厂的名字、科技热词等，会让简历通过的概率大大提高。

 
而且天使姐还做了一套模板，若是感兴趣，可以改改名字和日期等信息试一下（链接见文末）。

 
人工智障再度袭来？

 

  
所以合格的简历无法通过筛选，但这个却可以？这什么筛选程序！

 

 
评论区的最高赞怒喷这种筛选简历的AI，表示这种只管抓取关键词，丝毫不在意实际内容的人工智障行为实在是“太不可思议了”。

 
fbc4fabac7610b685d77e8d1c0f9b230.png

 
那么这些简历筛选程序具体是怎么运作的？

 
一条评论科普到，很多公司所用的简历申请系统是一致的，所以他们的机制基本就是：

 

  
雇主可以输入100个关键词，然后设定一个必须满足的最低关键词数量，无法达到这一数量的简历就会被迅速丢弃。

  
同时，他们也可以设定自己所需的简历数量，比如设定为10，系统就会自动发送10份与设定参数最为匹配的简历。

 

 
44603326f2c2de82b5472788230d704d.png

 
而公司们选择简单粗暴抓取的“热点关键词都有哪些呢？

 
主要还是包括帖主在下方补充的Microsoft、Facebook、Google等大厂名字在内的FAANG。

 
bece37a26671d5e41ee873b953425d07.png

 
嗯……大概就是相当于国内的BAT和TMD地位的这几位巨头们：

 
73a7c36ae4857ed3550a054eeed048cb.png

 

  
这就是正在发生的事，90%的简历都不会被真正的人阅读。

 

 
评论区中一位HR现身说法，他表示，有些送到自己这里的简历完全无法胜任正在招聘的职位，这些简历只是碰巧包含了一些“HR必点”或这项工作必须的“热词”。

 
51d253709f5732ae6fe00d7ea2138406.png

 
除了这些众所周知的“招聘热词”，也有评论提到，负责招聘的人士会“依据经验”将职位的实际需求翻译成一些非常可笑的描述。

 
比如说要招聘新技术领域的专家，技术部门的描述是“非常熟悉React或类似框架”，而HR则将这个“非常熟悉”翻译或者理解成了“需要在React框架上有6年经验”。

 
但问题就是，React框架本身就是6年前开发的，符合这个职位要求的，大概就只有框架开发者了吧……

 
61dd453a00c392641b1a273d72593e7e.png

 
所以，针对这种更在意关键词而非内容的机筛，评论区出现了一条天才提议：

 

  
你可以用最小尺寸的白色字体把一些热门招聘词放在简历里，这样就能顺利通过机筛了。

 

 
e326d3a5e664e647be8ff5c12db4dbe3.png

 
机器人大战人类

 
其实，对简历进行机器筛选已经是个存在多年的招聘手段了。

 
一些规模较小的公司，或许还会由HR人眼审核全部简历。

 
但对于大厂们来说，公司内部本就部门众多，岗位需求也各不相同，甚至在秋招季总计可收到超过10万份简历，全部靠人力来解决显然不太现实。

 
因此，他们很多都会建立自己的简历申请系统或者简历库，也就是俗称的“机筛”或者“网申”。

 
在用AI挑出了大部分低效甚至无效的简历后，剩下的就会送到HR手上。

 
而在这个过程中，虽然有简历追踪系统（ATS）等诸多愈发成熟的自动筛选算法，但总是会有招聘网站会采用不太先进的相关性算法，或者一些“套路”。

 
所以，市面上就涌现出了大批教你如何通过网申/机筛的教程：

 
a341cf182853d159c094fb18a788401a.png

 
因此，对于公司方来说是节省人力的手段，对于求职者，却变成了你来我往的“人类大战机器人”：

 
f79f4ec6fcbf2269fbfcbcbff3898e70.png

 
对于这些现象，你又怎么看？

 
参考链接：
[1]https://www.reddit.com/r/recruitinghell/comments/qhg5jo/this_resume_got_me_an_interview/
[2]https://www.reddit.com/r/recruitinghell/comments/qhg5jo/this_resume_got_me_an_interview/

 
简历模板：

 
https://docs.google.com/document/d/1OevE4HFiAgUPlOym3RAPjtvpk1zIurOKdTdrUFoyS28/edit#

 

 
— 完 —
点这里👇关注我，记得标星呀～
前线推出学习交流一定要备注：研究/工作方向+地点+学校/公司+昵称（如JAVA+上海

 
扫码加小编微信，进群和大佬们零距离

 
END

 

 

  
后台回复“电子书” “资料” 领取一份干货，数百面试手册等你

  
开发者技术前线 ，汇集技术前线快讯和关注行业趋势，大厂干货，

  
是开发者经历和成长的优秀指南。

 

 

 

 
历史推荐

 
开源是抄袭的？抖音技术团队发文致歉，承认借鉴！网友热议...

 
网曝字节跳动将实行“1075”工作制！网友：这不是众所周知的嘛！守则的有多少？

 
996 加班累到肺部被切除！程序员万字自述艰难的维权之路...

 
好文点个在看吧！
 


        

    

  






  




  

    
  






  

    

      标签
      

          #java
          #编程语言
          #人工智能
          #面试
          #大数据
      

    

  




        

          

              原文链接：https://mp.weixin.qq.com/s?__biz=MzIyMjQ0MTU0NA==&mid=2247532086&idx=1&sn=ae39af24d6f462dc8d6704c4f5be1533&chksm=e82f4711df58ce07488630768b35800087a3f009cb8538a5d412ff982f5d28784ddbeb364aa2&scene=126&&sessionid=0>
          

        

  


  
    
      Code Composer Studio 12.0.0版本 官方例程导入实战指南
      本文详细介绍了在Code Composer Studio 12.0.0版本中，如何利用内置的Resource Explorer工具高效导入官方例程的完整实战指南。通过分步讲解定位开发板、导入工程、配置编译器及调试验证等关键操作，帮助开发者快速上手TI微控制器开发，避免常见错误，有效提升学习与开发效率。
    
    阅读详情
  





    

      

        
相关推荐

        
      

      

          
            
从零开始：使用Labelme完成图像语义分割标注全流程

              
本文详细介绍了如何使用Labelme工具完成图像语义分割标注的全流程，从环境安装、数据准备到核心标注操作，并重点讲解了如何将标注结果转换为PASCAL VOC等深度学习框架可用的标准数据集格式。文章还提供了关键的避坑指南和高效技巧，帮助初学者快速上手，高效产出高质量的标注数据。

            

                weixin_29073241的博客
                
                  
                    492
                
            

          
          
            
notion可以用来制作简历吗

              
当然，Notion 可以用来制作简历。Notion 是一个非常灵活的工具，它允许你创建各种类型的文档，包括简历。

            

                m0_57236802的博客
                
                  
                    950
                
            

          
          
            
西门子S7-1200PLC PID_Temp工艺指令在恒温控制中的实战应用

              
本文详细介绍了西门子S7-1200PLC中PID_Temp工艺指令在恒温控制系统中的实战应用。从硬件选型、安全接线，到TIA Portal软件组态、编程及核心PID_Temp指令调用，手把手指导搭建系统。重点讲解了利用指令自带的预调节与精确调节功能进行PID参数自整定，最终实现高精度、低波动的温度控制，适用于塑料成型、食品烘烤等多种工业场景。

            

                i1j2k的博客
                
                  
                    235
                
            

          
          
            
这份工程师简历火了：手磨14nm咖啡，在微软传播性病，90%公司伸橄榄枝

              
金磊 博雯 发自 凹非寺量子位 报道 | 公众号 QbitAI就很荒诞，一个软件工程师的简历竟然是这样的：确保团队6人能喝上咖啡，还是用南极洲咖啡豆磨成14纳米颗粒的那种。在LinkedI...

            

                量子位
                
                  
                    9208
                
            

          
          
            
ABB机器人C#二次开发实战：从通信打通到数据读写的落地指南（附完整工程）

              
最近在做自动化产线升级项目时，遇到一个核心需求：用C#上位机实时读取ABB机器人的关节角度、IO信号，同时下发运动指令和参数配置。翻遍全网，要么是Robot Studio的基础操作教程，要么是C++/VC++的老旧案例，C#相关的实操内容要么只给片段代码，要么跳过通信配置、权限设置等关键步骤，导致刚上手时踩了无数坑——连接超时、数据读不到、写入无响应，甚至误触发机器人安全保护。

            

                这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。
                
                  
                    1394
                
            

          
          
            
XGBoost详解（原理篇）

              
XGBoost全称为eXtreme Gradient Boosting，即极致梯度提升树。XGBoost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器（个体学习器间存在强依赖关系，必须串行生成的序列化方法）。Note：关于Boosting算法详见博文集成学习详解_tt丫的博客-优快云博客XGBoost是一种提升树模型，即它将许多树模型集成在一起，形成一个很强的分类器。其中所用到的树模型则是CART回归树模型。

            

                tt丫的博客
                
                  
                    7万+
                
            

          
          
            
这份工程师简历火了：手磨 14nm 咖啡，在微软传播 X 病

              
转自：量子位就很荒诞，一个软件工程师的简历竟然是这样的：确保团队6人能喝上咖啡，还是用南极洲咖啡豆磨成14纳米颗粒的那种。在LinkedIn上关注创始人（Reid Hoffman）。在微软...

            

                路人甲Java
                
                  
                    460
                
            

          
          
            
PyTorch深度学习实战（4）——常用激活函数和损失函数详解

              
激活函数和损失函数是深度学习模型中重要组成部分，激活函数和损失函数的选择很大程度上决定了深度神经网络的性能和精度，需要根据具体问题的特点和数据分布等因素进行选择。在本节中，将介绍深度学习中常见的激活函数和损失函数，并说明不同函数的常见应用场景。

            

                盼小辉丶的博客
                
                  
                    1万+
                
            

          
          
            
InnoDB 内存结构总览：Change Buffer、AHI 与 Log Buffer

              
本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index（AHI）与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更，减少随机IO，仅在页加载时合并；聚簇索引修改立即执行，因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引，加速定位，仅支持等值操作。LogBuffer为redo log内存缓冲，配合磁盘日志实现崩溃恢复。三者均服务于性能优化，其中ChangeBuffer与AHI共享BufferPool空间，而LogBuffer独立

            

                bksczm的博客
                
                  
                    289
                
            

          
          
            
【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用

              
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）请配合上述论文精读文章使用，效果更佳！图像超分辨率SRCNN和FSRCNN复现代码，除基本的网络实现外，还有特征图可视化，PSNR曲线图可视化，测试自己的图像数据等不想理解原理，希望直接跑通然后应用到自己的图像数据的同学，请直接下载上面的代码，有训练好的模型，直接用即可。具体使用方式见代码中的README！有问题来本文评论区留言！准备数据集，以及数据预处理。

            

                主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
                
                  
                    2万+
                
            

          
          
            
SerDes系列之如何选择AC耦合电容

              
交流耦合电容用于隔离PCB互连时的直流分量（Common-mode voltage），同时传递交流分量（Voltage swing），其作用类似于一个高通滤波器，但是，如果电容容值选取不当，使用过程中会产生信号质量问题，典型的应用场景：当包含相同的长串1或0的NRZ数据应用于该高通滤波器时，会发生低频电压跌落，导致低频模式相关抖动（PDJ）。

            

                一只豌豆象的博客
                
                  
                    2351
                
            

          
          
            
V8 机制、手写核心函数与 TypeScript 类型体操

              
或固定初始化（如数组先定长、对象先给全字段）保持类型与形状稳定；这些都比"换框架"更基础。只能处理纯数据（丢函数、Date、RegExp、循环引用报错）。生产级深拷贝要处理：原始值短路、循环引用、V8（Chrome / Node 的 JS 引擎）不是"解释一行跑一行"那么简单，它用。图：V8 执行流程——解释执行 + 热点优化，优化失败会 Deopt 回退。JS 内存自动管理，但"自动"不等于"不会漏"。是"固定间隔最多执行一次"。手写 Promise 是"懂异步"的试金石。是"停下后才执行最后一次"，

            

                qq_38468358的博客
                
                  
                    346
                
            

          
          
            
Python爬虫实战：扒取专利数据库核心信息，我用这招搞定反爬+数据结构化（附完整可运行代码）

              
这套爬虫方案从「实际需求」出发，解决了专利数据库抓取的核心痛点：反爬突破、数据结构化、标题创作。核心价值不在于代码多复杂，而在于「实用」——我用这套代码半天就抓取了800+条Python爬虫相关专利，比手动效率提升了几十倍。最后想说：爬虫技术的核心是「解决问题」，而不是炫技。专利数据能帮我们快速了解行业技术趋势，尤其是程序员，从专利中扒出的核心逻辑，远比零散的博客文章更系统。希望这篇实战分享能帮到有需要的小伙伴，也欢迎在评论区交流专利爬虫的更多技巧！

            

                专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
                
                  
                    2127
                
            

          
          
            
Spring Boot 数据源与 MyBatis(-Plus) 自定义配置详解

              
本文详解 Spring Boot 中单数据源环境下 HikariCP 与 MyBatis-Plus 的自定义配置。通过手动声明 SqlSessionFactory，实现下划线转驼峰、日志输出、一级缓存策略等精细化控制。结合 HikariCP 核心参数调优（如最大连接数、连接生命周期），确保高性能与稳定性。适用于仅需访问单一数据库的场景，避免多数据源复杂性，兼顾性能与可维护性。

            

                BADAO_LIUMANG_QIZHI的博客
                
                  
                    199
                
            

          
          
            
假人有限元模型

              
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

            

            

          
          
            
TMS_WebGMaps_1.9.8.0_Full_Source

              
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

            

            

          
          
            
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）

              
Java EE 进阶：8.MyBatis 操作数据库(入门)（第一弹）

            

                要努力去发光，而不是被照亮~
                
                  
                    131
                
            

          
          
            
pscad IEEE标准系统搭建说明

              
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

            

            

          
          
            
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

              
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

            

                nice_lcj520的博客
                
                  
                    503
                
            

          
          
            
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")

            

            

          
          
            
LeetCode Hot 100 二叉树专题（二）3 题（Java）

              
本篇文章共 3 题：543. 二叉树的直径、102. 二叉树的层序遍历、108. 将有序数组转换为二叉搜索树。
每道题都统一按「① 题目分析 & 解题思路 → ② 常见解法（附代码）及讲解 → ③ 知识点总结」的顺序组织；代码使用 Java 编写，节点定义沿用 LeetCode 默认的 TreeNode。

            

                2401_88612756的博客
                
                  
                    366
                
            

          
          
            
JDK 下载安装：装完 Java 提示「不是内部或外部命令」？环境变量没配

              
JDK 是写 Java 程序必须装的东西。它包含运行 Java 的虚拟机（JRE）和编译 Java 的编译器（javac）——装了它，能跑、.java文件能编译成可执行程序。免费，学习和小规模生产都不花钱。

            

                科小怪的博客
                
                  
                    635
                
            

          
          
            
java框架大全

              
java框架大全

            

                qq_39326137的博客
                
                  
                    183
                
            

          
          
            
Java 多态 学习笔记

              
多态是面向对象编程的重要特性，指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”，结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展，如用Person p = new Student();统一处理各类人员注册，无需修改调用逻辑。但多态无法直接调用子类特有方法，需通过instanceof判断并强制转换。编译时看左边（类型），运行时看右边（实际对象），实现解耦与维护便利。

            

                AA_AA114514的博客
                
                  
                    362
                
            

          
          
            
SecureRandom做随机源，这个Java随机字符串工具类有3个方法

              
本文分享一款JDK17环境下的Java随机字符串工具类，内置3个开箱即用的方法，全部采用SecureRandom加密安全随机源，不存在弱随机、可预测、取模偏差等问题。工具类支持默认62字符集随机串、纯数字随机串、自定义字符集随机串三种生成模式，支持Unicode码点级别的字符集处理，兼容Emoji等增补字符，边界处理严格，异常信息明确，适合验证码、邀请码、盐值、随机口令、短链码等场景，源码可直接复制使用。

            

                Java后端 | AI智能体应用实战派 | 电脑技能行家
                
                  
                    299
                
            

          
          
            
IDEA 简介：从零认识 IntelliJ IDEA

              
IDEA 全称，是由 JetBrains 公司开发的一款主流 Java 集成开发环境（IDE）。它集代码编辑、编译、调试、测试、版本控制、构建管理等功能于一体，被大量 Java 开发者视为日常开发的首选工具。所谓 IDE（Integrated Development Environment，集成开发环境），就是把写代码所需的各类工具整合到同一个界面中。相比只用文本编辑器加命令行编译，IDE 能显著减少重复操作，让开发者把精力集中在业务逻辑上。

            

                ztI10的博客
                
                  
                    153
                
            

          
          
            
Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）

              
【代码】Java实现批量线段相交检测（跨积判定+扫描线优化与踩坑复盘）

            

                m0_64476639的博客
                
                  
                    329
                
            

          
          
            
TRingBuffer两端都能增删（快递站版）

              
TRingBuffer 是一个支持两端增删、下标访问且容量动态增长的环形双端队列。它通过无符号索引的永不归零设计，利用减法自动模运算实现空满判断与元素计数，避免了传统环形缓冲浪费格子的问题。内部以票号（索引）标记首尾，扩容时重排元素为连续存储，保证 O(1) 操作与高缓存效率。虽不线程安全，但其高效性使其成为游戏开发中事件队列、命令缓冲等场景的理想选择。

            

                u013768914的博客
                
                  
                    301
                
            

          
      

    


  

    

      上一篇：
      
        谁再说不熟悉Linux命令，就把这个给他扔过去！
      
    

    

      下一篇：
      
        清华大学：2021 元宇宙研究报告！
      
    

  



            
  



          

          


  

    
    
    
    

      点赞
      
      
            0
      
    

    
    
      评论
      
            0
      
    
    
    

      书签
      书签
      
          0
      
    

    
    
    
    
    
    
  


            

            

              

              

            

            


  

    

      
          DevolperFront
      
      

        

          DevolperFront
        

        

            
              博客等级
            
            码龄8年
          465粉丝
          81原创
        

      

    

    

          + 关注
    

  



        

        
      

      

        
      

      





	

		评论	
	

  

    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 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