一位资深Java的阿里系公司实战面试经验，套路还是面试官的多

程序员摩西 程序员摩西 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 346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7年
关注
原创 最新推荐文章于 2026-03-18 01:46:20 发布 346 阅读 AI 写同款· GEO 优化 ›
7系列ZYNQ硬件调试：Vitis无法识别ARM DAP的排查与解决 本文详细分析了Xilinx 7系列ZYNQ芯片在Vitis开发环境中无法识别ARM DAP的常见问题及解决方案。从硬件设计检查（电源系统、时钟电路）、JTAG连接诊断到软件环境排查，提供了全面的调试指南。特别针对ARM DAP初始化失败的情况，给出了实用的排查步骤和预防措施，帮助开发者快速定位和解决类似问题。 阅读详情

马老师说过，员工的离职原因很多，只有两点最真实：

  1. 钱，没给到位
  2. 心，受委屈了

以下是占小狼的一些实战面试经验分享，希望能帮助你们顺利拿到理想Offer！

项目经验

面试官在一开始会让你进行自我介绍，主要是想让你介绍一下自己做过的一些项目，看看你对这些项目的了解程度。

因为很多人简历上写的项目并非都是从头到尾都参与的，有些只是参与并实现了其中的一些模块而已，或是接手维护别人的项目，所以在你简历上所写的和面试过程中所说的项目经验，你自己必须能够了解来龙去脉。之后，面试官也会根据你的项目描述，对项目中的实现原理，或为什么要这样实现进行提问，如果你木讷住，不知如何作答，只会大大降低面试分。

面试场景：

面试官：（拿着简历）讲讲你最近做的这个项目

我：&……%￥#*&￥@%￥！，说了一大通

PS:不知道面试官听进去多少，面试官会挑他熟知的知识点进行提问。

面试官：你说这个项目中用到了netty，能大概讲讲netty的线程模型么？

我：（幸好我看过netty的源码）netty通过Reactor模型基于多路复用器接收并处理用户请求（能讲就多讲一点），内部实现了两个线程池，boss线程池和work线程池，其中boss线程池的线程负责处理请求的accept事件，当接收到accept事件的请求时，把对应的socket封装到一个NioSocketChannel中，并交给work线程池，其中work线程池负责请求的read和write事件。

PS:通过口述加画图的方式，把请求的执行过程大概描述了一遍，时间有限，也不可能把所有的细节都说完，挑重点讲，挑记忆深刻的讲。

面试官：嗯，理解的还挺深入的…那你在做这个项目时有没有遇到什么困难，或者是觉得有挑战的地方？

我：因为之前确实碰到了这个问题，当时做这个项目时，对netty的不过熟悉，把请求的业务逻辑放在work线程池的线程中进行处理，进行压测的时候，发现qps总是上不去，后来看了源码之后才发现，由于业务逻辑的处理比较耗时，完全占用了work线程池的资源，导致新的请求一直处于等待状态。

PS:这时面试官想让你自己出题自己回答了，所以一定要回答，不回答就突显不出你这个项目了，要是这个问题没有准备过，只能临时发挥了，当然我就是属于临时发挥的

面试官：那最后是如何解决的？

我：最后把处理业务的逻辑封装成一个task提交给一个新建的业务线程池中执行，执行完之后由work线程池执行请求的write事件。

面试官：好的，你知道nio中selector可能触发bug么？

我：嗯，对的，selector的select方法，因为底层的epoll函数可能会发生空转，从而导致cpu100%。

面试官：那如何解决该问题？

我：这个问题在netty已经解决了，通过&%&$（把netty的解决方案说一遍）

面试官：嗯，对了，你们这个项目有给自己定指标么？

我：有的……把自己项目的指标说了一通，如何进行AB实验，如何迭代优化指标

面试官：嗯，好的 ，项目的问题先到这里，我们来考察一下java的基本点吧。>

如上只是本人所做的一个项目，当然了，具体项目具体分析，也不是每个面试官问的点都一样。如果面试官不懂netty，自然会挑别的问题进行提问，不过尽量尝试着把问题往自己熟悉的方向去靠。

面试知识点1、线程池

线程池的实现原理，这个知识点真的很重要，几乎每次面试都会被问到，一般的提问方式有如下几种：

  1. “讲讲线程池的实现原理”
  2. “线程池中的coreNum和maxNum有什么不同”
  3. “在不同的业务场景中，线程池参数如何设置”

面试场景：

面试官：平时线程池用的多么？

我：嗯，我的*项目中就用到了。

面试官：那好，你讲讲线程池的实现原理

我：能给我笔和纸么，我画图分析给你看看，……假设初始化一个线程池，核心线程数是5，最大线程数是……

面试官：嗯，好的，你继续…

我：在纸上画了正方形，这个代表一个线程池，初始化的时候，里面是没有线程的

面试官：嗯，好的，你继续…

我：又画了一个细长的长方形，这个代表阻塞队列，一开始里面也是没有任务的。当来了一个任务时，在正方形中画了一个小圆圈，代表初始化了一个线程，如果再来一个任务，就再画一个圆圈，表示再初始化了一个线程，连续画了5个圆圈之后，如果第6个任务过来了…

面试官：嗯，好的，你继续…

我：这时会把第6个任务放到阻塞队列中…

面试官：嗯，然后呢？

我：现在线程池中不是有5个线程了么，如果其中一个线程空闲了，就会从阻塞队列中获取第6个任务，进行执行…

面试官：嗯，对的，那如果任务产生的速度比消费的速度快呢？

我：如果线程池的5个线程都在running状态，那么任务就先保存在阻塞队列中

面试官：如果队列满了，怎么办？

我：如果队列满了，我们不是设置了最大线程数是10么，而线程池中只有5个线程，这时会新建一个线程去执行不能保存到阻塞队列的任务，然后我又在正方形中画了5个圆圈。

面试官：那如果线程池中的线程数达到10个了，阻塞队列也满了，怎么办？

我：这种情况通过自定义reject函数去处理这里任务了，舒了一口去，以为问完了…

面试官：好的，那如果运行一段时间之后，阻塞队列中的任务也执行完了，线程池中的线程会怎么样？

我：…这个好像超过核心线程数的线程会在空闲一段时间内自动回收…因为有点不记得这个逻辑了，回答的有点虚…

面试官：好的，那这种情况在什么场景下会发生?

我：这个…那个…我好像没有遇到过这样的情况……

面试官：嗯，好的，你回去之后再好好想想。

我：…

PS：面试真的会紧张，导致很多明明知道的东西却全忘记了。所以一定要放松放松。而且有蛮多面试官其实会很耐心，会引导你，但也会沿着你的思路一直细问下去，所以一定要确保自己思维逻辑清晰。

我居然忘记了“秒杀”这个场景！

锁的实现

在关于锁的面试过程中，一般主要问Synchronized和ReentrantLock的实现原理，更有甚者会问读写锁。

面试场景

面试官：都了解Java中的什么锁？

我：比如Synchronized和ReentrantLock…读写锁用的不多，就没研究了。

PS:我就怕被问读写锁，因为一直没去看。所以，对一些自己不了解的话题，尽量少说一点，也坦白承认自己不会。

面试官：那好，你先说说Synchronized的实现原理吧。

我：嗯，Synchronized是JVM实现的一种锁，其中锁的获取和释放分别是monitorenter和monitorexit指令，该锁在实现上分为了偏向锁、轻量级锁和重量级锁，其中偏向锁在1.6是默认开启的，轻量级锁在多线程竞争的情况下会膨胀成重量级锁，有关锁的数据都保存在对象头中……

面试官：哦，嗯，理解的还挺透彻，那你说说ReentrantLock的实现吧…

我：ReentrantLock是基于AQS实现的

面试官：什么是AQS？

我：在AQS内部会保存一个状态变量state，通过CAS修改该变量的值，修改成功的线程表示获取到该锁，没有修改成功，或者发现状态state已经是加锁状态，则通过一个Waiter对象封装线程，添加到等待队列中，并挂起等待被唤醒……

面试官：能说说CAS的实现原理么？

我：CAS是通过unsafe类的compareAndSwap方法实现的（心里得意的一笑）

面试官：哦，好的，那你知道这个方法的参数的含义的么？

我：这个方法看的时间有点久远了，第一个参数是要修改的对象，第二个参数是对象中要修改变量的偏移量，第三个参数是修改之前的值，第四个参数是预想修改后的值…

面试官：嗯，对的，那你知道操作系统级别是如何实现的么？

我：（我去你大爷…）我只记得X86中有一个cmp开头的指令，具体的我忘记了…

面试官：嗯，好，你知道CAS指令有什么缺点么

我：哦，CAS的缺点是存在ABA问题。

面试官：怎么讲？

我：就是一个变量V，如果变量V初次读取的时候是A，并且在准备赋值的时候检查到它仍然是A，那能说明它的值没有被其他线程修改过了吗？如果在这段期间它的值曾经被改成了B，然后又改回A，那CAS操作就会误认为它从来没有被修改过。

面试官：那怎么解决？

我：（有完没完了啊…我的心里是崩溃的）针对这种情况，java并发包中提供了一个带有标记的原子引用类"AtomicStampedReference"，它可以通过控制变量值的版本来保证CAS的正确性。

面试官：嗯，好的，这个问题到此为止，我们再看看别的。 我：…我能喝口水么

ConcurrentHashMap

当考察数据结构时，面试官一开始会问HashMap的实现原理，当你说出HashMap并非线程安全之后，会让你自己引出ConcurrentHashMap，接着就可能开始如下的对话。

面试场景

面试官：谈谈ConcurrentHashMap实现原理

我：……基于分段锁的……，但是1.8之后改变实现方式了。

面试官：1.8啥方式？

我：……（把1.8的实现原理说了一通，其中提到了红黑树）…

面试官：能讲下红黑树的概念吗？

我：红黑树是一种二叉树，并且是平衡……％……¥……，

面试官：能讲下红黑树的……

我：打住，别问了，红黑树我只知道他是二叉树，比其他树多一个属性，其他的我都不知道。 面试官：好的，那换个，你知道它的size方法是如何实现的么？

我：size方法？是想要得到Map中的元素个数么？

面试官：对的…

我：我记得好像size方法返回是不准确的，平时也不会用到这个方法…

面试官：如果你觉得size方法返回值不准确，那如果让你自己实现，你觉得应该怎么实现呢？

我：（两眼一黑）等等，让我想想…应该可以用AtomicInteger变量进行记录…嗯，对的，每次插入或删除的时候，操作这个变量，我得意的一笑…

面试官：哦，是么，那如果我觉得这个AtomicInteger这个变量性能不好，还能再优化么？

我：懵逼脸…（当时居然把volitile变量给忘记了）…好像没有了，我想不出来了…

面试官：哦，那回头你再看看源码吧，jdk中已经实现了…

我：哦，是么…

面试官：那今天的面试到此结束，我们后面会通知你。

我：……（结束专业用语）

写在最后

点关注，不迷路；持续更新Java架构相关技术及资讯热文！！！

收录于
面试题

当前文章被收录于：

面试题
10 篇文章 0 人学习
订阅专栏 查看详情
标签
#面试经历 #Java #阿里巴巴 #实战
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。
VisualSFM+MeshLab 三维重建全过程记录 VisualSFM+MeshLab 三维重建全过程记录，从下载到运行出结果，以及其中一些可能出现的小问题。通过这两个软件熟悉一下多目立体视觉重建的流程。 阅读详情

相关推荐

LMI线性矩阵不等式之非线性变量处理

​ 如果一个LMI线性矩阵不等式中的某项存在两个矩阵变量相乘，那么称该类情形为非线性矩阵不等式，而要直接求解时很困难的，而且LMI工具箱也无法求解非线性矩阵，所以需要通过变量替换法进行处理。 ​...

Mr.邹的博客 4550

去小公司面试的体验

湖南航天信息有限公司 满心欢喜，按照我这个学历在长沙应该可以找个不错的国企噻。 然后打脸了。 在年级群里面看到一个只需要发简历的公司，还是在长沙，还说是国企，而且招的又是java开发，所以我就投了。 几天之后就通知我面试，面试是一点半开始，两点是中兴的面试，我想着面试很快，面完直接去中兴。 去了之后，整个会议室一共四个人，还有一个打电话说不来了，我就开始觉得情况不好。 HR小姐姐说，希...

camillect的博客 4599

【异常】解决JDK21升级中的SecurityException: JCE无法验证BC提供者问题

本文详细解析了JDK21升级中常见的SecurityException: JCE无法验证BC提供者问题的根源与解决方案。核心在于JDK21强化了JCE安全验证，导致签名不合规的老版本Bouncy Castle库被拒绝。文章提供了通过Maven依赖树精准定位、排除旧版本并引入兼容的bcprov-jdk18on新库的完整步骤，以及清理缓存等实战技巧，帮助开发者彻底解决此兼容性问题。

weixin_29197051的博客 492

各大公司Java后端开发面试题总结

ThreadLocal(线程变量副本)Synchronized实现内存共享，ThreadLocal为每个线程维护一个本地变量。采用空间换时间，它用于线程间的数据隔离，为每一个使用该变量的线程提供一个副本，每个线程都可以独立地改变自己的副本，而不会和其他线程的副本冲突。ThreadLocal类中维护一个Map，用于存储每一个线程的变量副本，Map中元素的键为线程对象，而值为对应线程的变量副本。Thre

HuangQinJian 17万+

Halcon手眼标定实战：从九点标定到机械臂精准抓取（附完整代码）

本文详细介绍了Halcon手眼标定技术在实际工业场景中的应用，重点讲解了九点标定法在机械臂精准抓取中的实现步骤和优化技巧。通过对比Eye-to-Hand和Eye-in-Hand两种模式的特点，提供完整的代码示例和误差分析，帮助工程师快速掌握标定技术，提升自动化系统的精度和稳定性。

weixin_29100927的博客 460

机器学习系列(1)_逻辑回归初步

1、总述 逻辑回归是应用非常广泛的一个分类机器学习算法，它将数据拟合到一个logit函数(或者叫做logistic函数)中，从而能够完成对事件发生的概率进行预测。 2、由来     要说逻辑回归，我们得追溯到线性回归，想必大家对线性回归都有一定的了解，即对于多维空间中存在的样本点，我们用特征的线性组合去拟合空间中点的分布和轨迹。如下图所示：     线性回归能对连续值结果进行预测，

寒小阳 13万+

一位资深Java的阿里系公司实战面试经验，套路还是面试官的多！

来源：Java技术驿站马老师说过，员工的离职原因很多，只有两点最真实：1、钱，没给到位2、心，受委屈了项目经验面试官在一开始会让你进行自我介绍，主要是想让你介绍一下自己做...

代码技巧 220

CST软件中SPICE模型的高效导出与转换技巧（txt到cir实战指南）

本文详细介绍了在CST Studio Suite中高效导出与转换SPICE模型的实战技巧，重点讲解了如何将txt格式的模型转换为通用的cir格式。内容涵盖三种模型存在形式的处理方法、格式检查与内容清理、端口一致性验证等关键步骤，并提供了利用LTspice Export功能、批处理脚本以及结果一致性校验等进阶指南，帮助工程师实现场路协同仿真模型的无缝迁移与应用。

silver的专栏 1185

【本人秃顶程序员】一位资深Java的阿里系公司实战面试经验，套路还是面试官的多

←←←←←←←←←←←← 快！点关注 马老师说过，员工的离职原因很多，只有两点最真实： 1、钱，没给到位 2、心，受委屈了 以下是本人的一些实战面试经验分享，希望能帮助你们顺利拿到理想Offer！ 项目经验 面试官在一开始会让你进行自我介绍，主要是想让你介绍一下自己做过的一些项目，看看你对这些项目的了解程度。 因为很多人简历上写的项目并非都是从头到尾都参与的，有些只是参与并实现了其中的一些模...

本人秃顶程序员的博客 314

【开源】基于TI ADS1299与ESP32的8通道脑电采集设备YuEEG全解析

本文详细解析了基于TI ADS1299芯片与ESP32主控的开源8通道脑电采集设备YuEEG。内容涵盖硬件设计、固件驱动开发及Python上位机软件实现，提供了从电路连接、SPI通信配置到数据读取与实时波形显示的全套教程。该项目为学习脑机接口（BCI）与高精度生物电信号采集提供了完整的开源解决方案，适合创客、学生及嵌入式开发者实践。

weixin_42576410的博客 1249

unity从3D升级到urp管线，打包ab包后，材质全部变紫色

确保材质中的被转换为 URP 兼容的着色器。在打包 AssetBundle 时，确保所需的着色器被正确打包。确保运行 AB 包的目标项目中正确配置了 URP 渲染管线。如果加载后材质丢失，检查 AB 包的加载逻辑，确保材质正确应用了着色器。通过这些步骤，你应该能够解决从标准渲染管线切换到 URP 渲染管线后，材质在 AB 包中变紫色的问题。如果问题仍然存在，请根据具体错误日志进一步排查。希望如上措施及解决方案能够帮到有需要的你。

**My Coding Family** 1964

【Java进阶营】一位资深Java的阿里系公司实战面试经验，套路还是面试官的多

马老师说过，员工的离职原因很多，只有两点最真实： 1、钱，没给到位 2、心，受委屈了 项目经验 面试官在一开始会让你进行自我介绍，主要是想让你介绍一下自己做过的一些项目，看看你对这些项目的了解程度。 因为很多人简历上写的项目并非都是从头到尾都参与的，有些只是参与并实现了其中的一些模块而已，或是接手维护别人的项目，所以在你简历上所写的和面试过程中所说的项目经验，你自己必须能够了解来龙去脉。之后，面试官也会根据你的项目描述，对项目中的实现原理，或为什么要这样实现进行提问，如果你木讷住，不知如何作答，只会大大降低

m0_67596529的博客 213

第4.4节：保护轴承与安全系统

飞轮储能系统的保护轴承是磁悬浮失效时的最后安全屏障，其设计需满足非干涉性、高可靠性和有限寿命承载原则。转子跌落过程包括自由下落、碰撞、进动和滑行减速等复杂非线性阶段，产生远超常规工况的冲击载荷。保护轴承需具备极限冲击容量、高温耐受性和抗卡死能力。系统采用多层级安全架构，结合故障诊断与健康管理，通过监测振动、电流等参数实现预测性维护。安全停机序列有序结合主动制动与被动摩擦制动，确保系统在极端工况下的安全。保护轴承类型多样，需根据系统规模与可靠性要求合理选择。

技术工作者 229

【本人秃顶程序员】一位资深Java的阿里系公司实战面试经验，套路还是面试官的多...

←←←←←←←←←←←← 快！点关注 马老师说过，员工的离职原因很多，只有两点最真实： 1、钱，没给到位 2、心，受委屈了 以下是本人的一些实战面试经验分享，希望能帮助你们顺利拿到理想Offer！ 项目经验 面试官在一开始会让你进行自我介绍，主要是想让你介绍一下自己做过的一些项目，看看你对这些项目的了解程度。 因为很多人简历上写的项目并非都是从头到尾都参与的，有些只是参与并实现了其中的一些模...

weixin_33937778的博客 143

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

年底了，整理了一份程序员面试必看的文章合集

本系列文章整合了本号发表和转载过的，有关技术招聘干货、笔试面试经验和技巧、简历、招聘等方面的精品文章，希望对想要找工作，以及正在找工作的你，能够有所帮助。原创面试干货文章校招季到来，你可能需要这一份求职作战计划！记一次面试腾讯的奇葩经历阿里巴巴实习生招聘 不完全指南如何修改个人简历？一些过来人的经验应聘腾讯，面试官和我聊了一个小时的人生看过太多大厂面试题，其实考的无非是这 3 点能力简历上的项目经...

Java技术江湖 7067

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

一名Java大佬跳槽之旅，离开京东，14面面试经验和收获

2019年，打算离开京东，换个地方，然后开始了跳槽之旅。 先和boss们打了招呼，然后请假专心面试，2周内请假了6天左右时间，敲定了offer。 然后交接了2周，离开了我大京东。 一、面试情况 1.商越网络 创业公司，做企业采购。某周五晚上，下班了，过去聊了聊。 只有一面，总体难度中等，有简单的有复杂的。 面试印象：中规中矩 地点：硅谷亮城 2.必要商城 创业公司，电商，C...

Java_q705127209的博客 629

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")

我在阿里做面试的那些「套路」

翻了一下面试记录，最近两年我面试了近 150 人，其中以社招为主。当然这不全是为自己团队面试，还包括帮其他团队做的面试。可能有一些人不喜欢做技术面试，但...

优快云人工智能头条 446

2019面试跳槽回顾和一点感想

2019年，打算离开京东，换个地方，然后开始了跳槽之旅。 先和boss们打了招呼，然后请假专心面试，2周内请假了6天左右时间，敲定了offer。 然后交接了2周，离开了我大京东。 面试情况 1.商越网络 创业公司，做企业采购。某周五晚上，下班了，过去聊了聊。 只有一面，总体难度中等，有简单的有复杂的。 面试印象：中规中矩 地点：硅谷亮城 2.必要商城...

AI一人公司实践中，AI全栈程序员，编程-产品-营销 2万+
上一篇： Java程序员月薪过万不难，难的是你能养成好习惯
下一篇： 一个七年开发经验程序猿的自述
点赞 0
评论 0
书签 书签 0
程序员摩西
程序员摩西
博客等级 码龄7年 45粉丝 104原创
+ 关注 专栏目录 订阅专栏
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