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
200+累计阅读
293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
1: 基本情况自我介绍
2: 项目介绍
基于sip的项目，此处省略一百字
项目问题：怎么做到高可用
项目问题：呼叫消息流程
项目问题：保证区域内语音效果好
项目问题：负载均衡保证
3:C++
哪里常用的STL？
STL各个时间复杂度？
STL的各底层实现算法？
类的构造和析构函数能不能加static？
编译器对空类会有哪些默认的方法？
删除迭代器失效的时候（map 和vector）
删除两个相同的key要注意什么？
4: 数据库
用哪里数据库？
5:网络
UDP 服务端或者TCP服务端
6: 手写代码
线程安全模式的单例模式
腾讯PCG后台开发实习4轮技术面试面经分享
1.介绍了下部门，PCG手Q小程序后台框架 2.自我介绍 3-13.怼项目，很细 14.另一个项目的操作系统平台 15.你做了什么工作 16.UDP和TCP的区别 17.为什么TCP不能保证实时性 — 这个地方答的啥了，把那个延时ACK给说进去了，实际上就扯流量控制和拥塞控制就OK了 18.介绍一下延迟ACK和累计应答 19.介绍下流量控制，用来干什么，受谁限制，由谁来确定 20.介绍下拥塞控制，用来干什么，拥塞控制流程 21.说一下快速重传—懵逼了，突然没想起来，其实就是收到三个重复ACK 22.为什么要
干货 | 腾讯校招后端开发面经
腾讯面试风格是比较注重计算机基础的，操作系统和网络都会问的比较多，所以大家针对不同公司面试的时候，要有一个准备的侧重点。今天分析一位同学腾讯校招后端开发面经，足足面了 2 个小时，1 小时手撕算法，1 小时基础拷打，最累一场面试，虽然面的很累，但是同学反馈面试官人很好，会一直引导。这次面经的考点，我简单罗列一下：Java：hashmap、垃圾回收算法、线程模型操作系统：用户态与内核态、进程调度、进程间通信、虚拟内存、进程&线程&协程网络：tcp三次握手、拥塞控制、https。
腾讯IEG后台开发(已拿到offer)
今天是3月11日，鹅肠技术一面，电话面 2019年3月11日 星期一 本人浙江大学软件学院研一研究生。 当时投递岗位的时候没有看清要求，写着后台开发岗，招C/C++/Java，果然越靠前越重要。。本来想投的是Java岗，奈何鹅肠后台C++偏多。结果面试的时候面的全是C++和Linux，Java一点没问。全程大概25分钟，总结如下。 面试内容和我的回答 先自我介绍一下吧 好，我叫xx, 目前...
已拿腾讯后台开发岗offer，简单说下自己的面试经历和学习路线
面前准备 敲定了方向和目标后就开始系统准备，主要分为以下几个方面来准备。 算法题 事先已经看过别人的社招面经知道头条每轮技术面都有算法题，而这一块平时练习的比较少，校招时刷的题也忘记了很多。因此系统复习的时候算法题还是花了比较多时间的。先是快速刷完了剑指 offer，这个校招时已经刷过两边了，因此现在刷起来会相对快一些。然后就是啃 LeetCode 的题了，LeetCode 的题比较多，想在短短几周内刷完基本是不可能的，因此我主要按照类型去刷，每个类型刷几道就会比较有感觉了。比如链表的题优先考虑递归和双指针
【WILEY】wiley期刊投稿详解：从revision到Accepted全流程实例讲解
注意：包括没标注修改位置的word文件和标注了修改位置的word文件。
SAP License USMM SLAW2 SAP审计
引言 企业每年都会收到SAP License审计邮件，邮件内容大致就是根据贵公司与SAP签定的合同XXX条款规定，贵公司所安装的SAP系统需要进行测定。 关键字： SAP License、 SAP USMM、 SLAW2、 SAP 账号、SAP 账号审计、 SAP License 审计、 SAP 审计报告、SAP 账号优化 SAP License审计邮件 企业每年都会收到SAP License审计邮件，邮件内容大致就是根据贵公司与SAP签定的合同XXX条款规定，贵公司所安...
2020腾讯后端面试题以及解答（golang方向)
1、goalng相关 Q：context作用，原理，超时控制 A: golang context的理解，context主要用于父子任务之间的同步取消信号，本质上是一种协程调度的方式。另外在使用context时有两点值得注意：上游任务仅仅使用context通知下游任务不再需要，但不会直接干涉和中断下游任务的执行，由下游任务自行决定后续的处理操作，也就是说context的取消操作是无侵入的；context是线程安全的，因为context本身是不可变的（immutable），因此可以放心地在多个协程中传递使用
单片机控制双向可控硅的5种实用触发电路设计（附完整电路图）
本文深入解析了单片机控制双向可控硅的5种实用触发电路设计，涵盖从基础隔离到复杂负载驱动的实战方案。重点探讨了光电耦合器选型、过零检测同步、RC吸收电路精密计算以及应对感性负载和高噪声环境的加固策略，并提供了完整的电路图与调试避坑指南，旨在帮助开发者实现安全可靠的交流负载控制。
腾讯后台开发面试总结吐血推荐!!
http://blog.youkuaiyun.com/fdssdfdsf/article/details/7983861点击打开链接
f2fs学习笔记 - 3. F2FS文件系统布局
目录1.前言2.F2FS布局说明2.1. super block(block 0x0 ~ block 0x1ff)2.2 CP(block 0x200 ~ block 0x5ff)cp page1nat journalsit journaldata summarycurrent hot node summarycurrent warm node summarycurrent cold node summarycp page22nd checkpoint2.3 SIT(block 0x600 ~ block
loadStop的原因导致的SSUSP
Total内存值是可用来调度的可用内存，当前可用内存为 0M。 loadSched和loadStop的阈值是根据 Total 内存和节点内存来做限制的。 loadStop 50G，现在有大量作业SSUSP，说明之前某个时间点该节点内存可能有低于50G的时候，导致作业SSUSP，具体是否是这个原因引起的需要用 bjobs -l JobID 看下作业的详细信息。 如果是loadStop的原因导致的 SSUSP，根据loadStop设置的阈值，Total 值高于loadStop值后，将逐步恢复挂起的作业
【个人总结】2020腾讯后台开发面试经历
前几天看到有学姐提供鹅厂的内推机会，正好我很希望有机会暑假能感受一下大厂的氛围以及学点东西，帮助自己以后更好地规划便投了简历。 拿到内推在官网确认后的第二天上午接到了面试时间预约，本来想再推迟一下给自己多点准备的时间，因为这次确实是第一次正式的实习面试，经验也不怎么丰富。但是看了看系统提示推迟可能会因为招满人而不一定有面试机会，想了想还是算了，感觉复习多个半天一天的可能也不会有太大变化。便接受了邀...
【OpenFOAM】-olaFlow-算例4- irreg45degTank
不规则波浪模拟
腾讯后台开发面试经验
工作找的太快，连面试都好少经历了，主要还是杭州工作太少啊，听室友讲面试问题，总结总结下吧，她面的是腾讯后台开发，一面好基础的问题，却可以看出来对技术基础的掌握能力。 面试官简单问了下工作地点的问题后，就直入主题了，没问项目，全是编程基础和算法，感觉问题都是随机的，从一个问题根据你的回答深入到下一个问题。 1. static 使用与作用 2. inline -》中
6、探索音乐结构中的统一性：贝多芬《英雄交响曲》第一乐章的深度剖析
本文深入剖析了贝多芬《英雄交响曲》第一乐章的音乐结构，探讨其统一性的来源及表现形式。通过主题与动机、和声与调性、旋律与节奏、织体与动态等多方面的分析，揭示了这部作品在技术层面和情感表达上的卓越成就。
从零实现深度学习框架——自动求导神器计算图
本文介绍自动求导神器——计算图，从本篇文章开始介绍一个自定义的求导工具。
腾讯后台开发面试总结,原创,吐血推荐!!
前段时间专心面过腾讯，经过了N轮的技术面，结果还是挂了，但没挂在技术面，比较欣慰，回来之后写一点总结，以供有梦想进入腾讯做后台服务器开发的同学参考，本文章为胡成精心总结，胡成原创，copy和转载请通知。ps:（）之内的文字由作者点评，非面试题文字。 linux和os: netstat tcpdump ipcs ipcrm （如果这四个命令没听说过或者不能熟练使用，基本上可以回家，通过的概率较小
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');```[](https://bitdeli.com/free "Bitdeli Badge")
字节跳动、腾讯后台开发总结的面试经验分享
小编精心为大家准备了一手资料以上Java高级架构资料、源码、笔记、视频。Dubbo、Redis、设计模式、Netty、zookeeper、Spring cloud、分布式、高并发等架构技术【附】架构书籍BAT面试的20道高频数据库问题解析Java面试宝典Netty实战算法BATJ面试要点及Java架构师进阶资料《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！中…(img-0Hm5aAIh-1713638746888)]
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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。
腾讯后台开发面试总结（别人的）
前段时间专心面过腾讯，经过了N轮的技术面，结果还是挂了，但没挂在技术面，比较欣慰，回来之后写一点总结，以供有梦想进入腾讯做后台服务器开发的同学参考，本文章为胡成精心总结，胡成原创，copy和转载请通知。ps:（）之内的文字由作者点评，非面试题文字。 linux和os: netstat tcpdump ipcs ipcrm （如果这四个命令没听说过或者不能熟练使用，基本上可以回家，通过的概率较小...
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
腾讯后台开发面试总结
前段时间专心面过腾讯，经过了N轮的技术面，结果还是挂了，但没挂在技术面，比较欣慰，回来之后写一点总结，以供有梦想进入腾讯做后台服务器开发的同学参考，本文章为胡成精心总结，胡成原创，copy和转载请通知。ps:（）之内的文字由作者点评，非面试题文字。 linux和os: netstat tcpdump ipcs ipcrm （如果这四个命令没听说过或者不能熟练使用，基本上可以回家，通过的
已拿腾讯后台开发岗 offer，简单说下自己的面试经历和学习路线(1)
还有更多的Redis、MySQL、JVM、Kafka、微服务、Spring全家桶等学习笔记这里就不一一列举出来。
腾讯后台开发三面面试题
三面是总监面，本人不幸被拒了，这次面试没有问项目相关的问题，项目的问题是放在二面问的。三面给人的 感觉要求很严，有些问题看似基础，但问得很细，稍有闪失就被pass，绝不能有模棱两可那种回答，以下是面试题： 1)tcp三次握手的过程，accept发生在三次握手哪个阶段？ 2）Tcp流， udp的数据报，之间有什么区别，为什么TCP要叫做数据流？ 3)const的含义及实
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1576
扫一扫
