一个阿里工作4年java程序员的从业心得，写给还在迷茫的朋友！

java小望 java小望 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 600+累计阅读 688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5年
关注
原创 最新推荐文章于 2026-03-30 09:46:17 发布 688 阅读 AI 写同款· GEO 优化 ›
十年京东Java程序员的工作总结，写给迷茫中的你！ 很多年前，刚刚从大学毕业的时候，很多公司来校招。其中最烂俗的一个面试问题是：“你希望你之后三到五年的发展是什么？”。我当时的标准回答是（原话）：“成为在某一方面能够独当一面的技术专家“。后来经历了几家不同的公司，换了不同的方向，才知道这个真是一个很难的问题。因为兵无常势，什么东西都是在不断的变化，一早的时候看好的东西可能会被淘汰。 （几乎）没有人能够看准技术的下一个方向，因为这个问题实在是太难了，... 阅读详情

貌似这一点适应的行业最广，但是我可以很肯定的说：当你从事Java一年后，重新找工作时，才会真实的感受到这句话。

 

工作第一年，往往是什么都充满新鲜感，什么都学习，冲劲十足的一年；WEB行业知识更新特别快，今天一个框架的新版本，明天又是另一个新框架，有时往往根据项目的需要来不断学习新东西；所有，很多时候感觉，自己用过的东西真多呀！但是真正深入研究的东西却不多。面试，是跳槽后第一个需要面对的问题；而且不同公司面试的着重点不同；但是却有一个共同点：Java基础是必考的。

工作第一年，可能问你String对象创建的理解，常用的框架是什么等等；

工作第三年，就问你Java内存分配机制是什么，类是如何加载的等等；

工作第五年，就问你常用的设计模式是什么，你在工作中充当什么角色，怎么独立完成一个模块等等；

可以看出——这是一个典型的程序员的成长过程：

使用Java—->深入理解Java积累经验——>独立设计分析能力——>独当一面的多面手！

因此，必须学习：

数据库

最常用的是Oracle了(当然银行项目等需要DB2等)，熟练掌握使用存储过程，触发器等；

UML

项目中经常要写文档，项目经理的基本功，程序员走向设计的基本功；

linux系统

需要掌握常用的linux命令——部署在windows操作系统上的项目很少吧。

其他就不多说了，大家可以补充。

学习上，兴趣是最大的老师；项目驱动也是不错的选择，总之，不学习不行。

第一. 积累行业背景；

行业背景非常重要；工作3年后必须确定自己的行业背景，比如一直从事电信行业，一直从事银行项目，一直从事ERP行业等等。

一个程序员不可能是一直写代码的，就是写代码也要知道业务逻辑，满足什么需求；俗话说隔行如隔山，每个行业的业务都不一样，甚至差别很大，比如你一直从事流媒体的研究，让你跳槽到一家银行项目，完了，一切从头学吧，以前的行业经验都用不上了；而且，一个公司公司招人，就是希望找到那些很容易上手，不需要培训业务很久的程序员；频繁跳槽的朋友，一定要注意这点；

一直在一个行业呆久了，就可以成为这个行业的专家；我们可以经常看到，一个项目组的某个leader，代码写的一般，但是却可以跟客户流畅的沟通，控制着新需求的提出，bug的修正等等；而客户也很愿意跟他打交道，因为那些老的项目只有他能维护，他甚至熟悉系统的每一张表结构——-可想在这个行业呆的时间有多久啦。

第二. 合理的职业规划

什么是职业规划—就是你短期或者长期的一个职业计划！大道理不讲，咱简单点。先问你几个问题：

a.你工作几年了，你愿意一直和新入行的新手一样就是个简单的程序员吗？

b. 你愿意一直写代码，而不关心其他吗？

c. 一个项目的前期需求，设计，后期部署维护，领导找到你，你说咱搞不定，行吗？

程序员不是敲代码的机器。第一年太多东西不懂，你可以一切听从老大的安排，敲敲代码，看看数据库，测试自己和别人的代码；但是第二年，你还是这样吗？不可能的，一年的经验你完全可以入行了，是时候该学习怎么进行需求分析，怎么设计数据库，怎么写各类文档，怎么写更好的代码？这是高级程序员的要求！

什么是高级程序员？

具有分析设计能力，能进行技术攻关，而且具有某行业深厚背景的程序员！

所有，一个项目立项后，你要积极的参与到前期设计中，跟老同志们一道思考分析问题，学习经验！OK，你这就成长啦！

千万不要认为程序员就是写代码的哦！！！

而且，通过一个项目的开发，你要能粗略的统计出一个功能的开发时间；比如一个模块有20个小功能点，你开发了80个小时，每个小功能点平均2小时——这时在前期就能评估工作量啦。当然每个人的效率和工作质量是不同的，因人而异，但是大概的工作量应该是可以统计出来的，用于统计一个项目的工作周期；

具备上面的能力，你起码已经是一个项目组的骨干啦！此时，就可以带领小弟做开发而不是平凡的一个被带领者啦。

很多公司的项目骨干和项目经理都不是通过招聘的来的，都是培养出来的——-工作2年，思考能力不错，善于动手，很上道！OK，此时项目经理和公司中层可能就注意到你了，就会给你多分配任务慢慢的锻炼你，这时候千万不要闹别扭哦（曾遇上这样一个同事，技术很好，人也不错，领导突然给他分配很多任务，他开始是默默承受，后来闹意见啦！领导找他谈话后，他算明白啦！顶过一段时间就基本适应，可以快速的做完；后来他成了我们那批人中新的项目leader啦），跟带你的人好好学习，多劳动，很快就出头啦！

如果你工作了多年，属于老鸟了，也要善于带人，能提携小弟！因为只有小弟成长了，你身上的担子才会轻，项目才会顺畅的进行！

而且高级程序员（本科为例）工作四年左右工资就达到一个瓶颈了（一线城市是9K—1.2W），这时候必须“转型”—–高级程序员只是你能力的一部分，系统分析师，架构师，技术主管才是你应该告诉别人的职务，薪资才能再次提升。

第三. 关于跳槽

跳槽要学习的技术就多了

跳槽时时刻刻都在发生，但是我建议大家跳槽之前，先想清楚为什么要跳槽。切不可跟风，看到同事一个个都走了，自己也盲目的开始面试起来（期间也没有准备充分），到底是因为技术原因（影响自己的发展，偏移自己规划的轨迹），还是钱给少了，不受重视。

准备不充分的面试，完全是浪费时间，更是对自己的不负责（如果title很高，当我没说）。

今天给大家分享下在这次跳槽中整理的Java面试大纲，其中大部分都是面试过程中的面试题，可以对照这查漏补缺，当然了，这里所列的肯定不可能覆盖全部方式。

项目介绍

大部分情况，这是一场面试的开门题，面试官问这个问题，主要是考察你的概述能力和全局视野。有的人经常抱怨自己每天在堆业务，但没有成长。事实上，很多情况下确实在堆业务，但并不是没有成长的。并非做中间件或者技术架构才是成长，例如我们的需求分析能力，沟通协作能力，产品思维能力，抽象建模能力等都是一个非常重要的硬实力。

好的，现在进入正文。

  • 明确项目是做什么的
  • 明确项目的价值。（为什么做这个项目，它解决了用户什么痛点，它带来什么价值？）
  • 明确项目的功能。（这个项目涉及哪些功能？）
  • 明确项目的技术。（这个项目用到哪些技术？）
  • 明确个人在项目中的位置和作用。（你在这个项目的承担角色？）
  • 明确项目的整体架构。
  • 明确项目的优缺点,如果重新设计你会如何设计。
  • 明确项目的亮点。（这个项目有什么亮点？）
  • 明确技术成长。（你通过这个项目有哪些技术成长？）

Java基础

  1. List 和 Set 的区别
  2. HashSet 是如何保证不重复的
  3. HashMap 是线程安全的吗，为什么不是线程安全的（最好画图说明多线程环境下不安全）?
  4. HashMap 的扩容过程
  5. HashMap 1.7 与 1.8 的 区别，说明 1.8 做了哪些优化，如何优化的？
  6. final finally finalize
  7. 强引用 、软引用、 弱引用、虚引用
  8. Java反射
  9. Arrays.sort 实现原理和 Collection 实现原理
  10. LinkedHashMap的应用
  11. cloneable接口实现原理
  12. 异常分类以及处理机制
  13. wait和sleep的区别
  14. 数组在内存中如何分配

Java 并发

  1. synchronized 的实现原理以及锁优化？
  2. volatile 的实现原理？
  3. Java 的信号灯？
  4. synchronized 在静态方法和普通方法的区别？
  5. 怎么实现所有线程在等待某个事件的发生才会去执行？
  6. CAS？CAS 有什么缺陷，如何解决？
  7. synchronized 和 lock 有什么区别？
  8. Hashtable 是怎么加锁的 ？
  9. HashMap 的并发问题？
  10. ConcurrenHashMap 介绍？1.8 中为什么要用红黑树？
  11. AQS
  12. 如何检测死锁？怎么预防死锁？
  13. Java 内存模型？
  14. 如何保证多线程下 i++ 结果正确？
  15. 线程池的种类，区别和使用场景？
  16. 分析线程池的实现原理和线程的调度过程？
  17. 线程池如何调优，最大数目如何确认？
  18. ThreadLocal原理，用的时候需要注意什么？
  19. CountDownLatch 和 CyclicBarrier 的用法，以及相互之间的差别?
  20. LockSupport工具
  21. Condition接口及其实现原理
  22. Fork/Join框架的理解
  23. 分段锁的原理,锁力度减小的思考
  24. 八种阻塞队列以及各个阻塞队列的特性

Spring

  1. BeanFactory 和 FactoryBean？
  2. Spring IOC 的理解，其初始化过程？
  3. BeanFactory 和 ApplicationContext？
  4. Spring Bean 的生命周期，如何被管理的？
  5. Spring Bean 的加载过程是怎样的？
  6. 如果要你实现Spring AOP，请问怎么实现？
  7. 如果要你实现Spring IOC，你会注意哪些问题？
  8. Spring 是如何管理事务的，事务管理机制？
  9. Spring 的不同事务传播行为有哪些，干什么用的？
  10. Spring 中用到了那些设计模式？
  11. Spring MVC 的工作原理？
  12. Spring 循环注入的原理？
  13. Spring AOP的理解，各个术语，他们是怎么相互工作的？
  14. Spring 如何保证 Controller 并发的安全？

Netty

  1. BIO、NIO和AIO
  2. Netty 的各大组件
  3. Netty的线程模型
  4. TCP 粘包/拆包的原因及解决方法
  5. 了解哪几种序列化协议？包括使用场景和如何去选择
  6. Netty的零拷贝实现
  7. Netty的高性能表现在哪些方面

分布式相关

  1. Dubbo的底层实现原理和机制
  2. 描述一个服务从发布到被消费的详细过程
  3. 分布式系统怎么做服务治理
  4. 接口的幂等性的概念
  5. 消息中间件如何解决消息丢失问题
  6. Dubbo的服务请求失败怎么处理
  7. 重连机制会不会造成错误
  8. 对分布式事务的理解
  9. 如何实现负载均衡，有哪些算法可以实现？
  10. Zookeeper的用途，选举的原理是什么？
  11. 数据的垂直拆分水平拆分。
  12. zookeeper原理和适用场景
  13. zookeeper watch机制
  14. redis/zk节点宕机如何处理
  15. 分布式集群下如何做到唯一序列号
  16. 如何做一个分布式锁
  17. 用过哪些MQ，怎么用的，和其他mq比较有什么优缺点，MQ的连接是线程安全的吗
  18. MQ系统的数据如何保证不丢失
  19. 列举出你能想到的数据库分库分表策略；分库分表后，如何解决全表查询的问题
  20. zookeeper的选举策略
  21. 全局ID

数据库

  1. mysql分页有什么优化
  2. 悲观锁、乐观锁
  3. 组合索引，最左原则
  4. mysql 的表锁、行锁
  5. mysql 性能优化
  6. mysql的索引分类：B+，hash；什么情况用什么索引
  7. 事务的特性和隔离级别

缓存

  1. Redis用过哪些数据数据，以及Redis底层怎么实现
  2. Redis缓存穿透，缓存雪崩
  3. 如何使用Redis来实现分布式锁
  4. Redis的并发竞争问题如何解决
  5. Redis持久化的几种方式，优缺点是什么，怎么实现的
  6. Redis的缓存失效策略
  7. Redis集群，高可用，原理
  8. Redis缓存分片
  9. Redis的数据淘汰策略

JVM

  1. 详细jvm内存模型
  2. 讲讲什么情况下回出现内存溢出，内存泄漏？
  3. 说说Java线程栈
  4. JVM 年轻代到年老代的晋升过程的判断条件是什么呢？
  5. JVM 出现 fullGC 很频繁，怎么去线上排查问题？
  6. 类加载为什么要使用双亲委派模式，有没有什么场景是打破了这个模式？
  7. 类的实例化顺序
  8. JVM垃圾回收机制，何时触发MinorGC等操作
  9. JVM 中一次完整的 GC 流程（从 ygc 到 fgc）是怎样的
  10. 各种回收器，各自优缺点，重点CMS、G1
  11. 各种回收算法
  12. OOM错误，stackoverflow错误，permgen space错误

点击此处【传送门】获取往期Java高级架构资料、笔记、视频

本群提供免费的学习指导 架构资料 以及解答

不懂得问题都可以在本群提出来 之后还会有职业生涯规划以及面试指导

方便架构师解答问题

工作1-5年开发经验，当你们提出涨工资的时候，或者要offer的时候底气怎么样，是不是底气十足，不给涨工资就辞职，是不是有自信提出来主管、或者是项目经理都能同意，他们相当设法把你留住。如果这样你才是成功。什么技术都没有何谈工资！

标签
#spring #java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
G2O (General Graph Optimization)入门及简单使用 g2o全称是General Graph Optimization，也就是图优化，我们在做SLAM后端或者更加常见的任何优化问题（曲线拟合）都可以使用G2O进行处理。 阅读详情

相关推荐

华为/H3C/锐捷交换机配置命令对比表：一张图搞定VLAN划分与端口设置

本文详细对比了华为、H3C、锐捷三大品牌交换机在VLAN划分与端口设置中的配置命令差异，提供从基础配置到高级功能的横向对比表，帮助网络工程师快速掌握多品牌设备混用环境下的配置技巧，提升工作效率。

rust6ferris的博客 699

我，阿里的程序员，工作5年，揭秘阿里员工的真实收入和工作经历

如今有很多大学生在毕业之后都渴望自己能够进入互联网公司，能够在大公司里获得非常高的工资和薪水，可是并不是所有从业者都拥有较高的学历和能力，一旦在招聘面试的时候被淘汰可能就很难再进入大公司，有所作为，很多网友都对阿里这些互联网公司的程序员比较感兴趣，大家会认为这些程序员能够获得高薪，对于他们来说，其实在一线城市里也能够出人头地，获得非常高的收入，那么在阿里工作一些程序员能够获得多少收入呢？

m0_70486148的博客 3360

人工智能学习之机器人路径规划优化

A* AStar 人工智能 机器人路径规划优化

RongLin02的博客 7073

程序员能干多久？程序员能干到多大年龄？

很多程序员都是选择这个方向，管理也是有技术型和管理型的，如果实在是不想做管理，也是可以做技术型的，专心去研究一下技术方面，当然也并不局限于纯技术领域的探索，而是站在技术管理岗位思考更多的问题。大多数程序员认为程序员是吃青春饭的工作。程序员处理问题的能力一般都是很强的，有着程序的思维在里边儿，一层一层地解开所遇到的问题，现在很多大佬都是程序员出身的，比如腾讯、百度等等。在技术方面上来说，已经有很多大的开发经验，直接是可以做出来其它产品的，现在也有很多公司是需要这种对岗位稳定，并且对技术很重视的公司。

nhb687095的博客 2万+

PADS VX2.4 缝合孔（阵列过孔）的添加方法

缝合孔的主要目的是：①：增加底层和顶层的地铜皮的连接性，②：起到屏蔽外界信号干扰的作用。铺完铜后，右击空区域选择“选择形状”命令，选取整板中的一块大铜皮，右击选择“覆铜区域内过孔阵列模式”→“沿周边”指令后，再右击选择“覆铜区域内过孔阵列”，便能看到已选区域内添加的缝合孔（过孔阵列），也可以通过铜皮显示或隐藏的无模命令:PO进行查看。完成上面的“防止错误”和“过孔样式”的设置后，开始对整板进行铺铜处理，点击“工具栏”→覆铜平面指示器，在弹出的对话框点击“开始”，便能观察铺铜后的板子。

tianpu2320959696的博客 3045

stackelberg博弈_博弈论、多智能体、强化学习（随便记点东西）

多智能体应用场景：已实现：游戏AI。正在努力：UAV，物资运输，快递分发，交通系统。未来：社会学，预测群体行为，城市区域合作，国际关系。博弈论基本定义：玩家集合： 策略集合： 收益函数： 囚徒困境：两智能体矩阵博弈坦白抵赖坦白1，13，0抵赖0，32，2占优策略与最佳应对：上表中两者均具有占优策略，即无论如何都应该选坦白。那么构造下表。坦白抵赖坦白1，13，0抵赖0，12，2对于玩家一来说，坦白...

weixin_39611722的博客 2997

阿里工作4年是种什么体验，肝到T8就剩这份心得了，已助朋友拿到10个Offer

在阿里工作了4年，工作压力大，节奏快，但是从技术上确实得到了成长，尤其是当你维护与大促相关的系统的时候，熬到P7也费了不少心思，小编也是个爱学习的人，把这几年的工作经验整理成了一份完整的笔记。此笔记已属朋友拿到腾讯，阿里，美团等10个offer！由于细节内容实在太多啦，所以只把部分知识点截图出来粗略的介绍，每个小节点里面都有更细化的内容！

m0_59595915的博客 406

I-Cache 和 D-Cache

I-Cache 和 D-Cache

liuyuanbin9001 7021

阿里程序员，工作6年，真实薪资曝光

普通人如何能年入百万？这个问题，播妞今天给大家做一个可行性研究。研究出两个方案：当一名优秀的打工人，升职加薪，出任CEO，迎娶白富美，走上人生巅峰；做一名成功的企业家，忍受孤独、承受磨难、抵抗诱惑，然后低调地说“我对钱没有兴趣”。稍加分析就能知道，这两种方式没有一个不难的。年入百万对于普通人来说，是“天花板”级别的存在。2021年，全国居民人均可支配收入中位数29975元...

传智播客的专栏 5996

使用STC15F104W产生PWM脉冲

最近的小项目中使用到了STC15F104W产生PWM脉冲

yeats1989的专栏 1万+

学Simulink——基于Simulink的PMSM直接转矩控制（DTC）与SVPWM对比

（如SVM-DTC），将一个控制周期Tc​分为两部分：前Ton​用有效矢量，后Toff​用零矢量，通过调节Ton​/Tc​减小脉动。：根据ψs​扇区（6个）、Te误差（±滞环带）、ψs​误差（±滞环带）选择8个基本电压矢量（6有效矢量+2零矢量）。：低速时需用电流模型（ψs​=Ls​is​+ψf​），高速时用电压模型（es​=ωψf​），避免纯积分漂移；：基于us​=Rs​is​+Ls​dtdis​​+es​（es​为反电动势），用电压模型估算ψs​；

MHD0815的博客 338

阿里p7程序员哀叹：35岁，被通知合同不再续签

本文转载自程序员八卦 35岁程序员被裁，到底是因为年纪太大，还是因为自身能力不行？ 最近一个阿里程序员发帖吐槽：35岁的p7被通知不再续签合同，输出社会。 35岁，被裁，熟悉的故事，熟悉的关键词，网友们第一时间表达了同情。有人质问，为什么阿里这么欺负人？难道35岁就真的没有王法了吗？ 有人感叹，35岁之殇，空有一腔热血做技术，却没有公司要。 有人同情楼主好惨，上有老下有小还失业了，赶紧想办法转行吧。 也有人觉得没什么，公司又不是养老院，被裁是常态化现象。 还有人阴阳怪气地说

weixin_39787242的博客 1万+

【教程4＞第8章＞第10节】OFDM完整通信链路项目的FPGA开发4——插入导频

本文介绍了基于MATLAB和Verilog的导频插入设计与实现方法。首先回顾了MATLAB中导频插入的算法实现，展示了每32个数据插入一个导频的设计。接着详细说明了Verilog硬件实现方案，包括导频序列定义、计数器设计、FIFO模块等关键部分。通过仿真测试验证了设计的正确性，输出了插入导频后的序列、导频序列以及调整时序后的序列。最后提供了相关视频教程资源，帮助读者理解设计过程。该设计实现了数据与导频的精确插入，为OFDM等通信系统开发提供了实用参考。

FPGA/MATLAB学习教程/源码/项目合作开发 395

一个阿里工作4年java程序员的从业心得，写给还在迷茫的朋友

点击上方“java大数据修炼之道”，选择“置顶”公众号优质文章、学习资源第一时间送达！每日英文Accept what was and what is, and you’ll have ...

hello world！ 533

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

阿里6年多程序员的经验总结，写给还在迷茫中的朋友

阿里6年多程序员的经验总结，写给还在迷茫中的朋友 前言 很多年前，刚刚从大学毕业的时候，很多公司来校招。其中最烂俗的一个面试问题是：“你希望你之后三到五年的发展是什么？”。我当时的标准回答是（原话）：“成为在某一方面能够独当一面的技术专家“。后来经历了几家不同的公司，换了不同的方向，才知道这个真是一个很难的问题。因为兵无常势，什么东西都是在不断的变化，一早的时候看好的东西可能会被淘汰。 （几...

Julysx的博客 1298

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")

一个6年java程序员的工作感悟，写给还在迷茫的你

前言 很多年前，刚刚从大学毕业的时候，很多公司来校招。其中最烂俗的一个面试问题是：“你希望你之后三到五年的发展是什么？”。我当时的标准回答是（原话）：“成为在某一方面能够独当一面的技术专家“。后来经历了几家不同的公司，换了不同的方向，才知道这个真是一个很难的问题。因为兵无常势，什么东西都是在不断的变化，一早的时候看好的东西可能会被淘汰。 （几乎）没有人能够看准技术的下一个方向，因为这个问题实在

欢迎来到技术宅的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

工作5年的阿里Java程序员分享从业心得总结，写给还在迷茫的朋友

具有分析设计能力，能进行技术攻关，而且具有某行业深厚背景的程序员！所有，一个项目立项后，你要积极的参与到前期设计中，跟老同志们一道思考分析问题，学习经验！OK，你这就成长啦！...

m0_57042151的博客 791

一个6年Java程序员的工作感悟，写给还在迷茫中的朋友

很多年前，刚刚从大学毕业的时候，很多公司来校招。其中最烂俗的一个面试问题是：“你希望你之后三到五年的发展是什么？”。我当时的标准回答是（原话）：“成为在某一方面能够独当一面的技术专家“。后来经历了几家不同的公司，换了不同的方向，才知道这个真是一个很难的问题。因为兵无常势，什么东西都是在不断的变化，一早的时候看好的东西可能会被淘汰。（几乎）没有人能够看准技术的下一个方向，因为这个问题实在是太难了，能...

weixin_41780944的博客 5310

5年开发经验的阿里巴巴Java程序员分享从业心得总结，帮助还在迷茫的朋友

貌似这一点适应的行业最广，但是我可以很肯定的说：当你从事Java一年后，重新找工作时，才会真实的感受到这句话。 工作第一年，往往是什么都充满新鲜感，什么都学习，冲劲十足的一年；WEB行业知识更新特别快，今天一个框架的新版本，明天又是另一个新框架，有时往往根据项目的需要来不断学习新东西；所有，很多时候感觉，自己用过的东西真多呀！但是真正深入研究的东西却不多。面试，是跳槽后第一个需要面对的问题；而且不同公司面试的着重点不同；但是却有一个共同点：Java基础是必考的。 工作第一年，可能问你String对象创建

文章中资料均可获取，有需要请添加yunduoa2019即可 726

写给还在迷茫的朋友-阿里Java程序员分享工作5年的从业心得总结

貌似这一点适应的行业最广，但是我可以很肯定的说：当你从事Java一年后，重新找工作时，才会真实的感受到这句话。 工作第一年，往往是什么都充满新鲜感，什么都学习，冲劲十足的一年；WEB行业知识更新特别快，今天一个框架的新版本，明天又是另一个新框架，有时往往根据项目的需要来不断学习新东西；所有，很多时候感觉，自己用过的东西真多呀！但是真正深入研究的东西却不多。面试，是跳槽后第一个需要面对的问题；而且不同公司面试的着重点不同；但是却有一个共同点：Java基础是必考的。 工作第一年，可能问你String对象创建

JAVAvb1的博客 273

阿里5年Java程序员分享从业心得总结，写给还在迷茫的朋友

貌似这一点适应的行业最广，但是我可以很肯定的说：当你从事Java一年后，重新找工作时，才会真实的感受到这句话。 工作第一年，往往是什么都充满新鲜感，什么都学习，冲劲十足的一年；WEB行业知识更新特别快，今天一个框架的新版本，明天又是另一个新框架，有时往往根据项目的需要来不断学习新东...

chengwengwan4930的博客 215

5年的java容易迷惘_工作5年的阿里Java程序员分享从业心得总结，写给还在迷茫的朋友...

貌似这一点适应的行业最广，但是我可以很肯定的说：当你从事Java一年后，重新找工作时，才会真实的感受到这句话。工作第一年，往往是什么都充满新鲜感，什么都学习，冲劲十足的一年；WEB行业知识更新特别快，今天一个框架的新版本，明天又是另一个新框架，有时往往根据项目的需要来不断学习新东西；所有，很多时候感觉，自己用过的东西真多呀！但是真正深入研究的东西却不多。面试，是跳槽后第一个需要面对的问题；而且不同...

weixin_42305634的博客 647
上一篇： 京东Java研发岗社招面经（面试经历+真题总结+经验分享）！
下一篇： 大型互联网公司java研发岗最全面试经验288点（含面试专题）
点赞 0
评论 0
书签 书签 4
java小望
java小望
博客等级 码龄5年 1粉丝 52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