除去待遇一般,工位太挤之外,迅雷实在是一家很不错的公司,所以虽然准备去北京,还是参加了迅雷的校园招聘。? 冒着大雨感到迅雷楼前时,已经被浇的裤子和鞋都湿透了,到了前台hrMM 倒是非常客气,等待过程中也多多少少听了些其他同学的面试问题,不过心情还是蛮放松的,不用太担心不会,反正现在看也来不及了,还有就是在提醒自己要保持一个感恩的心,保持对公司的尊敬。? 等了大概半个多小时,一面开始,面试官说不上和蔼,管不了这么多了,来吧自我介绍吧,说的过程对方对我的课题比较感兴趣(这个我喜欢啊),随和话题就转到课题上来了,先说要达到的效果,然后倒叙这说聚类过程,估计他也只是听个大概,后来又说道KMeans,然后说了一下KMeans的不足,对方表示认同,接着说了下他们下一步的一些计划要做数据挖掘方面的东西,然后跟他讨论了一下对迅雷盈利模式的一些想法,他们已经在做了,不过还没成熟。感觉他们的计划很不错,就是不知道最终效果怎么样,如果能成的话,迅雷也就能做大了。后面又问了一些 C++方面的问题蛮简单的自己基础还是不够扎实,答得不完整。这一面的总结:多了解下对方的产品,业务,如果有想法的话就更容易沟通了,注意切入对方的兴趣点,基础的东西应该没事就翻翻。? 总体来说一面还算顺利,面试官去安排二面,二面的人后来知道是迅雷的首席工程师,有人也称之为CTO,大牛中的大牛。听前面的同学说过很严肃,进去之后发现确实是,除了打招呼时嘴角上扬了一下之外,其他时候都不爱搭理人的样子,发现问的问题竟然跟前面人的一样,汗,也不知道换个题,有问拷贝构造和构造函数什么区别,问网络通信的IO 模型,同步异步select之外还有什么,问socket底层机制,问链表中环的检测方法还有又扩展了一下,说一个指针前进 N 步,一个前进 M 步的,什么条件能满足,这个得好好想想,技术上好像就问了这些,然后又让我评价之前面过的同学,我相比于他们的优势,问对自己最满意的地方。反正能说多少说多少吧。? HR面就不说了,经过这些就满足了呵呵 ? ps:16日晚上 6点收到offer,迅雷hrMM 效率真是高啊,并且还很友好。
相关推荐
BAT数据分析面经笔试题
BAT数据工程师面试原题(8题)
2021迅雷web实习生面试经验
问了一些个人技术掌握情况 js事件冒泡原理及示例 冒泡排序 插入排序 希尔排序 堆排序 归并排序 快速排序 选择排序 不稳定:快选堆希 稳 定:插冒归基 vue双向绑定 vue父子组件通信 MVVM源自于经典的MVC(Model-View-Controller)模式。MVVM的核心是ViewModel层,负责转换Model中的数据对象来让数据变得更容易管理和使用。其作用如下: 该层向上与视图层进行双向数据绑定 向下与Model层通过接口请求进行数据交互 (1)View View是视图层, 也就是用户界
迅雷网络公司 迅雷笔试题
想得到迅雷的offer,请知己知彼~~~嘿嘿嘿嘿嘿嘿嘿嘿嘿嘿
迅雷亲历面经:笔试+上机+面试(完整JAVA面试题求解大讨论)
迅雷面试回来,用了整整一下午(不知道怎么说了,其中等待时间都快2小时了),自己感觉笔试和上机还可以,但技术面谈这一关答得不太好,现在再次感觉互联网公司与一般软件公司的区别了,其中一点就是互联网应用在性能上要求很高,谈了一个小时大部分题目感觉都在谈论性能问题,自己在方面一直是弱项,汗啊:( 仔细回忆了一下整个面试过程的题目,记录下来,希望大家多多给点意见讨论下啊 一、笔试题: A)JA...
迅雷的笔试题,多个笔试题
迅雷的笔试题,一笔,二笔的,过去的,可以参考。ps:深圳迅雷的工资可以透露一下,没想象中的那么高,个人认为哈
迅雷笔试题汇总整理(较全)
迅雷笔试题(全套)迅雷笔试题(全套)迅雷笔试题(全套)
三个月面试四家大厂,总结一下网易、快手、滴滴、爱奇艺、迅雷的面试真题,附答案的那种!
网易、快手、滴滴、爱奇艺、迅雷面经心得 笔者双非硕,从事大数据开发已经快两年了,今年三月份准备找实习,看了网上很多面经和视频,现在我也来写面经帮助大家! 以下问题只按照模块,不分公司。 // 如有不足,请帮忙指正。 技术范围 Hadoop、Spark、Hive、Hbase、Kafka Mysql、Redis Zookeeper 计算机网络、操作系统、Java基础、Jvm、Juc Java基础: 1、面向对象三大特征、什么是多态? 父类引用指向不同的子类对象 2、接口和抽象类 抽象类能否被继承、接口定义常量
使用PaddleOCR识别查验平台验证码
PaddleOCR识别国税查验平台验证码
迅雷IOS面试总结
首先我又被别人深深的鄙视了一把!
以LAN8720A为例的以太网硬件设计方案
输入时钟(XTAL1/CLKIN,XTAL2):推荐外加25MHz(性价比较高)晶振为PHY芯片提供时钟,PHY芯片内部PLL将其倍频为50MHz来使用,亦可使用直接使用50MHz晶振。三位MODE通过高低电平组合分别对应以上8种模式 ,包含10M半双工,10M全双工,100M半双工,100M全双工,是否启用自协商协议,CRS是否有效等。VDDCR:1.2V电源,可由芯片内部稳压电源提供,亦可由外部电源提供,由外部电源提供可降低芯片功耗。REF_CLK:参考时钟,由MAC或外部时钟晶振向PHY芯片提供。
AI+Xmind自动生成测试用例(思维导图格式)
最后:我是Walker,一个热爱分享编程知识的程序员,希望能够帮助到你!
十月下旬腾讯,网易游戏,百度迅雷校园招聘笔试题集锦.
腾讯2011.10.15校园招聘会笔试题 1、下面的排序算法中,初始数据集的排列顺序对算法的性能无影响的是(B) A、插入排序B、堆排序 C、冒泡排序 D、快速排序 2、以下关于Cache的叙述中,正确的是(B) A、CPU中的Cache容量应大于CPU之外的Cache容量 B、Cache的设计思想是在合理成本下提高命中率 C、Cache的设计目标是容量尽可能与...
48V电气架构全面科普和解析:下一代智能电动汽车核心驱动
随着电动汽车(EV)技术的不断发展,传统的12V电力系统已经逐渐无法满足日益增长的功率需求,尤其是在电动汽车中,48V电气系统的引入成为了一种理想的解决方案。在电动汽车中,48V系统与Zonal架构的结合,不仅有效提升了车辆电力系统的能效,还为未来的技术升级提供了灵活的设计基础。随着电动汽车(EV)技术的发展,车辆电气系统的工作电压逐步从传统的12V系统向更高的电压过渡。随着电动汽车技术的不断进步,传统的12V电气系统逐渐无法满足现代高性能电动汽车的需求,而48V电力系统的引入成为一种理想的解决方案。
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大系列集锦
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结 作者:July--结构之法算法之道blog之博主。 时间:2010年10月-2012年11月。 出处:http://blog.youkuaiyun.com/v_JULY_v 。 声明:版权所有,侵犯必究。 前言 开博已过24个月,回首这24个月,发现自己在本blog上着实花费了巨大的时间与精力,写
使用光流进行 Warp 的流程
光流描述了图像帧中每个像素的运动。前向光流:描述了帧中每个像素在帧中的移动位置。后向光流:描述了帧中每个像素在帧 中的移动位置。水平方向的位移(x 方向),即每个像素水平移动了多少像素。垂直方向的位移(y 方向),即每个像素垂直移动了多少像素。使用光流进行 Warp 的流程Warp 是通过光流对图像进行变换的操作,旨在将前一帧的像素根据光流场映射到下一帧的对应位置。Step 1: 计算光流我们首先需要通过光流网络(如 RAFT)来估算两帧之间的光流。我们可以获得前向光流(从帧 到帧。
Cadence Allegro PCB文件对比实战:3分钟搞定两份设计差异(附颜色标注技巧)
本文详细介绍了如何高效使用Cadence Allegro的Design Compare功能进行PCB文件差异对比。通过实战工作流,可在3分钟内精准定位并理解两份设计在布局、布线、元件等方面的关键差异,并分享了自定义颜色标注技巧,帮助工程师快速聚焦重要修改,提升设计评审与团队协作效率。
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大系列集
[置顶] 程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大系列集 2011-06-14 12:11 390482人阅读 评论(479) 收藏 举报 算法 程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结 (七月算法在线学院:http://www.julyedu.com/,面试&算法&机器学习在线课程)
用SPSS做信效度分析
对问卷进行Cronbach’s Alpha信度检验。如果此值高于0.8,则说明信度高;如果此值介于0.7-0.8之间,则说明信度较好;如果此值介于0.6~0.7,则说明信度可接受;如果此值小于0.6,说明信度不佳。下面利用SPSS进行分析,点击分析–标度–可靠性分析选项,选中所要分析的问卷数据或题目。得到结果,我们要看这个有用的结果,当克隆巴赫Alpha系数(也可以看标准化后的)大于0.8时候,说明问卷信度较高。
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结 (七月算法在线学院:http://www.julyedu.com/,面试&算法&机器学习在线课程) 作者:July--结构之法算法之道blog之博主。 时间:2010年10月-2014年12月。 出处:http://blog.youkuaiyun.com/v_JULY_v 。 声明:版权所
基于Simulink开发一个完整的直驱式永磁同步发电机DDPMSG仿真模型
需求分析直驱式永磁同步发电机(Direct-Drive Permanent Magnet Synchronous Generator, DDPMSG)广泛应用于风力发电、海洋能发电等可再生能源领域。与传统的齿轮箱驱动系统相比,DDPMSG具有结构简单、效率高、可靠性好等优点,能够直接将机械能转换为电能,减少了中间传动环节,降低了维护成本。本项目将基于Simulink平台,开发一个完整的DDPMSG仿真模型,模拟其在风力发电场景中的应用。我们将详细讲解如何设计和实现该系统,并结合实际应用案例进行说明。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典
转自大神July: http://blog.youkuaiyun.com/v_july_v/article/details/6543438 程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大经典原创系列集锦与总结 作者:July--结构之法算法之道blog之博主。 时间:2010年10月-2012年11月。 出处:http://blog.youkuaiyun.com/v_JUL
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")
685



被折叠的 条评论
为什么被折叠?



