一份 “内卷”面试题跟答案,让我14K 变成了 28K

5 年京东后端研发程序员,从开始的3k到现在的36k,我终于熬出头 LZ 认为,对于 Java 面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结,前三者 LZ 将淋漓尽致地挥毫于这篇文章中,至于总结在于个人,实际上越到后面你会发现面试并不难,其次就是在刷题的过程中有没有去思考,刷题只是次之,这又是一个层次了,这里暂时不提后面再谈。 LZ 总结了一系列大厂面试中常问的面试技术点,深入解析以及答案,将为最近准备面试的各开发者去大厂保驾护航, 何谓面试?LZ所理解的面试,它是一个过程,是不断沉淀、不断总结、善于传达自己的专业领域技术以及解决问题能力的过程。以下是 LZ. 阅读详情

我认为,对于 Java 面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结,前三者 LZ 将淋漓尽致地挥毫于这篇文章中,至于总结在于个人,实际上越到后面你会发现面试并不难,其次就是在刷题的过程中有没有去思考,刷题只是次之,这又是一个层次了,这里暂时不提后面再谈。

我总结了一系列大厂面试中常问的面试技术点,深入解析以及答案,将为最近准备面试的各开发者去大厂保驾护航,

何谓面试?我所理解的面试,它是一个过程,是不断沉淀、不断总结、善于传达自己的专业领域技术以及解决问题能力的过程。以下是 小编 总结的一些面试题,文中如有错误,恳请批评指正!

Java 基础

⾯向对象和⾯向过程的区别

Java 语⾔有哪些特点?

关于 JVM JDK 和 JRE 最详细通俗的解答

Oracle JDK 和 OpenJDK 的对⽐

Java 和 C++的区别?

什么是 Java 程序的主类 应⽤程序和⼩程序的主类有何不同?

Java 应⽤程序与⼩程序之间有哪些差别?

字符型常量和字符串常量的区别?

构造器 Constructor 是否可被 override?

重载和重写的区

Java 基础题答案解析

Java 集合

说说 List,Set,Map 三者的区别?

Arraylist 与 LinkedList 区别?

ArrayList 与 Vector 区别呢?为什么要⽤Arraylist 取代 Vector 呢?

说⼀说 ArrayList 的扩容机制吧 2.2.5 HashMap 和 Hashtable 的区别

HashMap 和 HashSet 区别

HashSet 如何检查重复

HashMap 的底层实现

HashMap 的⻓度为什么是 2 的幂次⽅

HashMap 多线程操作导致死循环问题

ConcurrentHashMap 和 Hashtable 的区别

Java 集合答案解析

多线程

什么是线程和进程?

请简要描述线程与进程的关系,区别及优缺点?

说说并发与并⾏的区别?

为什么要使⽤多线程呢?

使⽤多线程可能带来什么问题?

说说线程的⽣命周期和状态?

什么是上下⽂切换?

什么是线程死锁?如何避免死锁?

说说 sleep() ⽅法和 wait() ⽅法区别和共同点?

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

多线程答案解析

JVM

介绍下 Java 内存区域(运⾏时数据区)

说⼀下 Java 对象的创建过程

对象的访问定位有哪两种⽅式?

说⼀下堆内存中对象的分配的基本策略

Minor Gc 和 Full GC 有什么不同呢?

如何判断对象是否死亡?(两种⽅法)

简单的介绍⼀下强引⽤,软引⽤,弱引⽤,虚引⽤

如何判断⼀个常量是废弃常量?

如何判断⼀个类是⽆⽤的类?

垃圾收集有哪些算法,各⾃的特点?

JVM 面试问题答案解析

网络

OSI 与 TCP/IP 各层的结构与功能,都有哪些协议?

TCP 三次握⼿和四次挥⼿(⾯试常客)

TCP,UDP 协议的区别

TCP 协议如何保证可靠传输

ARQ 协议

滑动窗⼝和流量控制

拥塞控制

在浏览器中输⼊url 地址 ijk 显示主⻚的过程(⾯试常客)

状态码

各种协议与 HTTP 协议之间的关系

网络面试题答案解析

数据结构

Java 集合框架中的队列 Queue

HashSet 和 TreeSet 底层数据结构

List 的常⻅实现类 ArrayList 和 LinkedList 源码学习

Map

⼆叉树

完全⼆叉树

满⼆叉树

堆

⼆叉查找树(BST)

平衡⼆叉树(Self-balancing binary search tree)

数据结构答案解析

算法

⼏道常⻅的字符串算法题总结

最⻓公共前缀

回⽂串

两数相加

翻转链表

链表中倒数第 k 个节点

删除链表的倒数第 N 个节点

合并两个排序的链表

剑指 offer 部分编程题

跳台阶问题

算法示例答案解析

数据库

MySQL 存储引擎

字符集及校对规则

索引

查询缓存的使⽤

什么是事务?

事物的四⼤特性(ACID)

并发事务带来哪些问题?

事务隔离级别有哪些?MySQL 的默认隔离级别是?

锁机制与 InnoDB 锁算法

⼤表优化

MySQL 数据库答案解析

Redis

为什么要⽤ redis/为什么要⽤缓存

为什么要⽤ redis ⽽不⽤ map/guava 做缓存?

redis 的线程模型

redis 和 memcached 的区别

redis 常⻅数据结构以及使⽤场景分析

redis 设置过期时间

redis 内存淘汰机制(MySQL⾥有 2000w 数据,Redis 中只存 20w 的数据,如何保证 Redis 中的数据都是热点数据?)

redis 持久化机制(怎么保证 redis 挂掉之后再重启数据可以进⾏恢复)

redis 事务

缓存雪崩和缓存穿透问题解决⽅案

Redis 答案解析

Spring

什么是 Spring 框架?

列举⼀些重要的 Spring 模块?

@RestController vs @Controller

讲一下 Spring IoC 和 AOP

Spring 中的 bean 的作⽤域有哪些?

Spring 中的单例 bean 的线程安全问题了解吗?

@Component 和 @Bean 的区别是什么?

将⼀个类声明为 Spring 的 bean 的注解有哪些?

Spring 中的 bean ⽣命周期?

SpringMVC ⼯作原理了解吗?

Spring 面试答案解析

MyBatis

#{}和 ${}的区别是什么?

Xml 映射⽂件中,除了常⻅的 select|insert|updae|delete 标签之外,还有哪些标签?

最佳实践中,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?

Mybatis 是如何进⾏分⻚的?分⻚插件的原理是什么?

简述 Mybatis 的插件运⾏原理,以及如何编写⼀个插件。

Mybatis 执⾏批量插⼊,能返回数据库主键列表吗?

Mybatis 动态 sql 是做什么的?都有哪些动态 sql?能简述⼀下动态 sql 的执⾏原理不?

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?

Mybatis 能执⾏⼀对⼀、⼀对多的关联查询吗?都有哪些实现⽅式,以及它们之间的区别。

Mybatis 是否⽀持延迟加载?如果⽀持,它的实现原理是什么?

MyBatis 答案解析

Kafka

Kafka 是什么?主要应⽤场景有哪些?

和其他消息队列相⽐,Kafka 的优势在哪⾥?

队列模型了解吗?Kafka 的消息模型知道吗?

什么是 Producer、Consumer、Broker、Topic、Partition?

Kafka 的多副本机制了解吗?带来了什么好处?

Zookeeper 在 Kafka 中的作⽤知道吗?

Kafka 如何保证消息的消费顺序?

Kafka 如何保证消息不丢失

Kafka 如何保证消息不重复消费

kafka 答案解析

Netty

Netty 是什么?

为什么要⽤ Netty?

Netty 应⽤场景了解么?

Netty 核⼼组件有哪些?分别有什么作⽤?

EventloopGroup 了解么?和 EventLoop 啥关系?

Bootstrap 和 ServerBootstrap 了解么?

NioEventLoopGroup 默认的构造函数会起多少线程?

Netty 线程模型了解么?

Netty 服务端和客户端的启动过程了解么?

什么是 TCP 粘包/拆包?有什么解决办法呢?

由于篇幅有限。还有更多关于分布式、微服务、高可用、高并发等没有展现出来,可以直接获取原文件来查看,学习。希望能够帮助到更多的朋友。

大厂面试真题解析

最后

其实 Java 开发的知识点就那么多,面试问来问去还是那么点东西。所以面试没有其他的诀窍,只看你对这些知识点准备的充分程度。so,出去面试时先看看自己复习到了哪个阶段就好。

上面分享的腾讯、头条、阿里、美团、字节跳动等公司 2021-2020 年的高频面试题,LZ 还把这些技术点整理成了视频和 PDF(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,上面只是以图片的形式给大家展示一部分。

字节跳动挑战面试全记录,用我的血泪经验教你避坑躲雷 前言 在秋招的末尾,经过两轮技术面+一轮hr面,终于上了字节的车。 简单介绍下,面试的岗位是Java后端开发,自身是非科班的双非硕也没有实习经历 字节一面 12.22 11:00 面试官很友好,可能经过昨天的面试看谁都是比较和善 1、自我介绍 2、介绍一下你在上一段实习的做了什么 3、深挖实习内容 4、问了不了解MongoDb的索引结构 5、MySQL索引,深入问了B+ 6、我如何理解Mongo和MySQL的区别 7、Mysql事务、隔离 8、进程同步方式是什么 9、算法题 三数之和 一面完之后第 阅读详情

相关推荐

腾讯四大技术方向面经汇总:前端Java C++ Go面试套路与核心考点

大厂技术面试的本质,是考察候选人对基础原理的理解深度和工程实践能力。无论前端、Java、C++还是Go,底层都共享操作系统、网络、数据结构与数据库等知识底座。系统化梳理语言特性、并发模型、内存管理、框架原理和算法设计,是提升面试通过率的关键路径。无论是暑期实习、秋招提前批还是社招跳槽,掌握一套可复用的面经整理方法,能帮助求职者从海量八股文中聚焦高频考点,比如Java的OOM排查、C++的constexpr版本演进与智能指针、Go的GMP调度与channel关闭原则,以及前端的事件循环与浏览器渲染链路。结合真

weixin_30697239的博客 328

和月薪5W的京东程序员聊过后,才知道自己一直在打杂...

整份文档一共有将近 200 页,全部为大家展示出来肯定是不太现实的,为了不影响大家的阅读体验就只展示了部分内容,还望大家海涵,希望能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!

NHB456789的博客 1万+

前端开发者转型AI应用开发:7天掌握Prompt、Agent与RAG实战

大语言模型(LLM)作为新型计算范式,其核心原理是通过海量数据预训练获得通用语言理解和生成能力。这一技术价值在于,开发者无需从头训练模型,即可通过API调用和工程化方法,快速构建智能应用。在应用场景上,结合检索增强生成(RAG)技术,能为模型注入私有知识,解决其“幻觉”与知识陈旧问题;而智能体(Agent)架构则赋予模型使用工具、执行多步骤任务的能力,是实现复杂工作流自动化的关键。本文聚焦于前端工程师如何利用现有工程化技能,系统学习Prompt工程、Agent开发与RAG构建,从而高效切入AI应用开发赛道,

weixin_30571465的博客 409

程序员35岁以后就没有出路了吗?听听京东10年测开的分析

国内的互联网行业发展较快,所以造成了技术研发类员工工作强度比较大,同时技术的快速更新又需要员工不断的学习新的技术。因此淘汰率也比较高,超过35岁的基层研发类员工,往往因为家庭原因、身体原因,比较难以跟得上工作节奏,所以裁员往往优先考虑这类员工。测试工程师也属于技术研发中的一员,所以35岁就是一个门槛了,这并不是说35岁后一定会被淘汰,但是面临的选择肯定会大大减少。大多数人都是在22-23岁参加工作,工作两三年后逐渐积累了一些工作经验,开始进入了职业生涯的黄金期。

nhb687096的博客 2353

二、频率调制光谱(FMS)技术——error信号的数学模型及其他推论

一些推论。

qq_41111336的博客 1606

iOS中.obj、.usdz、.dae和.scn格式之间的转化(思路清晰版)

作者最近在写项目的过程中遇到了一些3d模型格式问题,故写下这篇文章记录一下解决问题的过程。

yueliangmua的博客 5586

在京东工作8年的程序员,35岁被裁拿到30多万的赔偿,终于自由了

2022年的时候就是我国互联网公司。他是判断领导突然给他绩效打了个c。就说也没给个什么具体的原因什么的。现在这互联网公司就是到处都是裁员。京东他去年的营收是呃突破了1万亿。腾讯呢是去年营收是5,000多亿。就好像意思就说你看吧我们都是菜园。每个季度都要做什么工作汇报什么的。甚至很多公司啊都会出现这种的情况。看看我能不能顶替你这个裁员的指标。非常勉强的一个不是理由的理由吗。打c的目的就是要给他让他毕业了。因为让你毕业了就可以赔偿的时候。就很多互联网公司大商都是这样的。都要做一个什么精美的a p p。

m0_73648871的博客 7396

HACK RF学习之旅记录1——填坑历程

在家隔离期偶尔发现RTL SDR,是realtek芯片破解了做软件无线电,价格非常实在不到百元,功能可以玩电视 广播等等。后来搜搜发现更强大的Hack RF ONE开发板,淘宝和闲鱼都看了大多都是Hack RF ONE单板999,便宜的闲鱼有600多的。还有一块扩展板是MCU+屏+时钟,看起来也很实用(非常推荐)。通过闲鱼某卖家找了渠道,从上海一家店的淘宝下单优惠价格(据说是原厂,超出想象,暗号是...

ZForce2009的博客 1万+

刘强东的代码水平如何?

作为京东集团大佬,刘强东备受关注。互联网界的大佬,很多都是程序员出身,或者会写代码,就像雷军、马化腾、李彦宏、周鸿祎等,几乎都是编程高手。有人问刘强东的代码水平如何? 关于这个问题,得到了很多网友的回答: 头条号@电子哥的日常: 刘强东代码水平非常厉害啊。高考是宿迁市的状元,省前几名,智商是非常高的。后来去了人大,他的成绩去清华妥妥的,典型的学霸。他出生农村,家里的经济条件不好,学费都还是村里的老乡凑的。 他大学期间非常用功学习,自己学的编程语言,给别人编写代码挣钱,起码挣了很多万。90年代初,

致力于C语言C++知识分享! 768

如何解决群晖Docker注册表查询失败/无法拉取镜像等问题

如何解决群晖Docker注册表查询失败/无法拉取镜像等问题

XiaoqiangClub的博客 1万+

第150篇 激光雷达点云分割——地面分离、聚类分析和物体提取

本文介绍了点云分割的三种经典几何方法:RANSAC地面分离、欧式聚类和区域生长。RANSAC通过随机采样拟合平面实现地面分割,欧式聚类基于空间距离进行物体分割,区域生长则结合法线信息提升分割精度。文章对比了各种方法的优缺点,提供了参数选择建议,并指出实际项目中常组合使用这些方法。最后给出了面试应答技巧,强调几何方法速度快、可解释性强等优势,适合大多数机器人项目的实时需求。

郑伟强dev的专栏 192

Java 岗三年 14K ,一份 “内卷”面试题跟答案,让我变成了 28K

在小编认为,对于 Java 面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇文章中,至于总结在于个人,实际上越到后面你会发现面试并不难,其次就是在刷题的过程中有没有去思考,刷题只是次之,这又是一个层次了,这里暂时不提后面再谈。 博主总结了一系列大厂面试中常问的面试技术点,深入解析以及答案,将为最近准备面试的各开发者去大厂保驾护航, 何谓面试? 博主所理解的面试,它是一个过程,是不断沉淀、不断总结、善于传达自己的专业领域技术以及解决问题能力的过程。以下是博主总结的一

qq_42986622的博客 287

DSNU与PRNU:隐藏在图像均匀性背后的“加性”与“乘性”噪声

本文深入解析光电传感器成像质量的两大关键参数PRNU(光响应非均匀性)和DSNU(暗信号非均匀性)。DSNU源于暗电流差异,表现为无光照时的固定噪点;PRNU则由像素灵敏度差异导致,在均匀光照下呈现亮度不均。两者分别影响动态范围下限和图像一致性,需要通过暗场校正与平场校正来消除。文章指出,高精度成像不仅依赖分辨率,更需关注这两项指标,工业级传感器通过精确校正保留细节,而消费级产品往往通过算法涂抹掩盖不均匀性。理解这些底层参数对传感器选型和图像处理至关重要。

致力于lidar应用开发 116

一份 “内卷”面试题跟答案,让我年初跳槽14K 变成了 28K

在小编认为,对于Java面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇文章中,至于总结在于个人,实际上越到后面你会发现面试并不难,其次就是在刷题的过程中有没有去思考,刷题只是次之,这又是一个层次了,这里暂时不提后面再谈。 博主总结了一系列大厂面试中常问的面试技术点,深入解析以及答案,将为最近准备面试的各开发者去大厂保驾护航, 何谓面试? 博主所理解的面试,它是一个过程,是不断沉淀、不断总结、善于传达自己的专业领域技术以及解决问题能力的过程。以下是博主总结的一些面

m0_65618219的博客 235

CANoe中如何仿真报文的CRC和Counter,告诉你三种方法皆可实现

CANoe中如何仿真报文的CRC和Counter

蚂蚁小兵 5285

基于STM32的智能宠物喂食系统设计与实现(代码+PCB )

STM32;DHT11;本系统的软件程序基于Keil MDK-ARM V5集成开发环境进行编写和编译。Keil MDK是ARM公司官方推荐的嵌入式开发工具,支持ARM Cortex-M系列微控制器的程序开发,内置ARM C/C++编译器、调试器和仿真器,具有代码编辑、语法高亮、工程管理和在线调试等功能,是STM32开发领域应用最为广泛的IDE之一。

3254968421的博客 74

一份 “内卷”面试题跟答案,让我14K 变成了 28K(1),javaspring面试题及答案

其它面试题(springboot、mybatis、并发、java中高级面试总结等)网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注Java)一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!案解析。

2401_84007015的博客 559

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。

Java岗三年14K ,一份 “内卷”面试题跟答案,让我变成了 28K

在小编认为,对于Java面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇文章中,至于总结在于个人,实际上越到后面你会发现面试并不难,其次就是在刷题的过程中有没有去思考,刷题只是次之,这又是一个层次了,这里暂时不提后面再谈。 博主总结了一系列大厂面试中常问的面试技术点,深入解析以及答案,将为最近准备面试的各开发者去大厂保驾护航, 何谓面试? 博主所理解的面试,它是一个过程,是不断沉淀、不断总结、善于传达自己的专业领域技术以及解决问题能力的过程。以下是博主总结的一..

weixin_64314555的博客 347

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

如果你的前端面试TypeScript很差,请狂背这些......

2025前端生存指南:TypeScript已成硬通货 数据显示:大厂面试中,TS扎实者通过率高达65%,而薄弱者不足15%。薪资差距更为明显,同等经验下TS高手薪资溢价30%-50%。当前面试已从基础类型考察升级到"类型体操"实战,如实现DeepReadonly、解析Vue3泛型约束等高阶场景。常见死亡提问包括: 命名空间与模块的核心区别 方法重载的实现原理 泛型在工程化中的应用 典型题解示例:方法重载需先定义多个函数签名,再统一实现函数体,通过参数类型分发不同处理逻辑。

前后端面试题面试经验分享 943

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")

文科转行程序媛两年,真的挺不住了!听听他们真实的分享!

高中理科,大学文科专业的我,做运营时一直想做技术,觉得技术赚钱又多,又不用处理那么多人际关系,不用干那么多杂事,只要专注把事情做好就可以,工作的事情下班了可以完全不管。当时觉得程序员好潇酒,不用管什么杂事,天天上班戴个耳机,感觉很悠闲的样子,到了自己做程序员就完全不一样了,总结一下跑路的种种原因吧。因为半路出身,上班时大概有1/3的任务会让我焦虑,不是完不成,而是觉得比较困难,对技术有兴趣的人会觉得这是挑战,但我觉得很折磨,有时候晚上做梦都在改bug。

全网粉丝30W+,优快云、稀土掘金人工智能领域签约作者,人工智能、大模型、Python 爬虫,商务合作,请私信沟通。 1415

[面试集锦]源码解读:Redis为什么这么快

文章摘要: Redis之所以快,关键在于其精细化的内存管理和数据结构设计。源码分析揭示,Redis根据value类型采用不同存储策略:1) 数字类型使用int直接存储,并复用缓存对象;2) 短字符串(≤44字节)采用embstr紧凑存储,将字符串与redisObject连续存放;3) 大字符串使用raw类型分散存储。此外,Redis通过预定义SDS(Simple Dynamic String)结构,采用固定长度的内存分配策略,避免了C语言字符串的缺陷,提升了内存访问效率。这种底层优化使Redis在内存操作上

roykingw的专栏 699
上一篇: 华为大神珍藏版:SpringBoot全优笔记,面面俱到太全了
下一篇: 精雕细琢!阿里耗时”3月“打磨出来的 MyBatis+设计模式 架构指南
Java技术那些事儿
博客等级 码龄5年 2306粉丝 2584原创
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
 
 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