Spring 夺命连环18问?拿捏了!

信号处理算法:离散余弦变换(DCT)_(1).离散余弦变换(DCT)概述 离散余弦变换的数学定义如下:对于一个长度为NNN的离散信号xnx(n)xn,其DCT变换后的系数XkX(k)XkXk∑n0N−1xncos⁡πNn12kk012N−1Xkn0∑N−1​xncosNπ​n21​kk012N−1其中,kkk是频率指数,nnn是时间或空间索引。离散余弦变换(DCT)是一种强大的信号处理技术,广泛应用于图像压缩、音频处理、数据压缩等领域。 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

这次整理了一下关于 spring 的面试题,网上也翻了翻关于 spring 的面试题,汇总了一下,基本都在这里了,当然可能有些过于基本的概念我是直接整理到某一问当中了,就没有单独再开设一问,祝大家面试顺利~


1.spring 中都用到了哪些设计模式?

c891e9f5b1e63b77a244069ba5f32c5f.png
  • 「1.工厂设计模式」 : 比如通过 BeanFactory 和 ApplicationContext 来生产 Bean 对象

  • 「2.代理设计模式」 :  AOP 的实现方式就是通过代理来实现,Spring主要是使用 JDK 动态代理和 CGLIB 代理

  • 「3.单例设计模式」 : Spring 中的 Bean 默认都是单例的

  • 「4.模板方法模式」 : Spring 中 jdbcTemplate 等以 Template 结尾的对数据库操作的类,都会使用到模板方法设计模式,一些通用的功能

  • 「5.包装器设计模式」 : 我们的项目需要连接多个数据库,而且不同的客户在每次访问中根据需要会去访问不同的数据库。这种模式让我们可以根据客户的需求能够动态切换不同的数据源

  • 「6.观察者模式」 : Spring 事件驱动模型观察者模式的

  • 「7.适配器模式」 :Spring AOP 的增强或通知(Advice)使用到了适配器模式

推荐下自己做的 Spring Boot 的实战项目:

https://github.com/YunaiV/ruoyi-vue-pro

2.spring 中有哪些核心模块?

d044553c45cce79c001a8b5a8038a03a.png
  • 1.「Spring Core」 :Spring核心,它是框架最基础的部分,提供IOC和依赖注入DI特性

  • 2.「Spring Context」 :Spring上下文容器,它是 BeanFactory 功能加强的一个子接口

  • 3.「Spring Web」 :它提供Web应用开发的支持

  • 4.「Spring MVC」 :它针对Web应用中MVC思想的实现

  • 5.「Spring DAO」 :提供对JDBC抽象层,简化了JDBC编码,同时,编码更具有健壮性

  • 6.「Spring ORM」 :它支持用于流行的ORM框架的整合,比如:Spring + Hibernate、Spring + iBatis、Spring + JDO的整合等

  • 7.「Spring AOP」 :即面向切面编程,它提供了与AOP联盟兼容的编程实现

推荐下自己做的 Spring Cloud 的实战项目:

https://github.com/YunaiV/onemall

3.说一下你理解的 IOC 是什么?

25e163245d84f16938d87a87b2aee4f3.png

首先 IOC 是一个**「容器」** ,是用来装载对象的,它的核心思想就是**「控制反转」**

那么究竟**「什么是控制反转」** ?

控制反转就是说,「把对象的控制权交给了 spring,由 spring 容器进行管理」 ,我们不进行任何操作

那么为**「什么需要控制反转」** ?

我们想象一下,没有控制反转的时候,我们需要**「自己去创建对象,配置对象」** ,还要**「人工去处理对象与对象之间的各种复杂的依赖关系」** ,当一个工程的量起来之后,这种关系的维护是非常令人头痛的,所以就有了控制反转这个概念,将对象的创建、配置等一系列操作交给 spring 去管理,我们在使用的时候只要去取就好了

4.spring 中的 IOC 容器有哪些?有什么区别?

spring 主要提供了**「两种 IOC 容器」** ,一种是 「BeanFactory」 ,还有一种是 「ApplicationContext」

它们的区别就在于,BeanFactory 「只提供了最基本的实例化对象和拿对象的功能」 ,而 ApplicationContext 是继承了 BeanFactory 所派生出来的产物,是其子类,它的作用更加的强大,比如支持注解注入、国际化等功能

5.那 BeanFactory 和 FactoryBean 又有什么区别?

这两个是**「不同的产物」**

「BeanFactory 是 IOC 容器」 ,是用来承载对象的

「FactoryBean 是一个接口」 ,为 Bean 提供了更加灵活的方式,通过代理一个Bean对象,对方法前后做一些操作。

6.@Repository、@Service、@Compent、@Controller它们有什么区别?

这四个注解的**「本质都是一样的,都是将被该注解标识的对象放入 spring 容器当中,只是为了在使用上区分不同的应用分层」**

  • @Repository:dao层

  • @Service:service层

  • @Controller:controller层

  • @Compent:其他不属于以上三层的统一使用该注解

7.那么 DI 又是什么?

DI 就是依赖注入,其实和 IOC 大致相同,只不过是**「同一个概念使用了不同的角度去阐述」**

DI 所描述的**「重点是在于依赖」** ,我们说了 「IOC 的核心功能就是在于在程序运行时动态的向某个对象提供其他的依赖对象」 ,而这个功能就是依靠 DI 去完成的,比如我们需要注入一个对象 A,而这个对象 A 依赖一个对象 B,那么我们就需要把这个对象 B 注入到对象 A 中,这就是依赖注入

spring 中有三种注入方式

  • 接口注入

  • 构造器注入

  • set注入

8.说说 AOP 是什么?

AOP 意为:「面向切面编程,通过预编译方式和运行期间动态代理实现程序功能的统一维护的一种技术」 。

AOP 是 「OOP(面向对象编程) 的延续」 ,是 Spring 框架中的一个重要内容,是函数式编程的一种衍生范型。利用 AOP 可以对业务逻辑的各个部分进行隔离,从而使得业务逻辑各部分之间的耦合度降低,提高程序的可重用性,同时提高了开发的效率。

「AOP 实现主要分为两类:」

37a40636f68e1bed0566269c1e56b873.png
  • 「静态 AOP 实现」 , AOP 框架**「在编译阶段」** 对程序源代码进行修改,生成了静态的 AOP 代理类(生成的 *.class 文件已经被改掉了,需要使用特定的编译器),比如 AspectJ

  • 「动态 AOP 实现」 , AOP 框架**「在运行阶段」** 对动态生成代理对象(在内存中以 JDK 动态代理,或 CGlib 动态地生成 AOP 代理类),如 SpringAOP

spring 中 AOP 的实现是**「通过动态代理实现的」** ,如果是实现了接口就会使用 JDK 动态代理,否则就使用 CGLIB 代理。

91fe754543d43bab4d153cee781ba623.png

「有 5 种通知类型:」

  • 「@Before」 :在目标方法调用前去通知

  • 「@AfterReturning」 :在目标方法返回或异常后调用

  • 「@After」 :在目标方法返回后调用

  • 「@AfterThrowing」 :在目标方法异常后调用

  • 「@Around」 :将目标方法封装起来,自己确定调用时机

9.动态代理和静态代理有什么区别?

「静态代理」

  • 由程序员创建或由特定工具自动生成源代码,再对其编译。在程序运行前,代理类的.class文件就已经存在了

  • 静态代理通常只代理一个类

  • 静态代理事先知道要代理的是什么

「动态代理」

  • 在程序运行时,运用反射机制动态创建而成

  • 动态代理是代理一个接口下的多个实现类

  • 动态代理不知道要代理什么东西,只有在运行时才知道

10.JDK 动态代理和 CGLIB 代理有什么区别?

JDK 动态代理时业务类**「必须要实现某个接口」** ,它是**「基于反射的机制实现的」** ,生成一个实现同样接口的一个代理类,然后通过重写方法的方式,实现对代码的增强。

CGLIB 动态代理是使用字节码处理框架 ASM,其原理是通过字节码技术为一个类**「创建子类,然后重写父类的方法」** ,实现对代码的增强。

11.Spring AOP 和 AspectJ AOP 有什么区别?

Spring AOP 是运行时增强,是通过**「动态代理实现」** 的

AspectJ AOP 是编译时增强,需要特殊的编译器才可以完成,是通过**「修改代码来实现」** 的,支持**「三种织入方式」**

  • 「编译时织入」 :就是在编译字节码的时候织入相关代理类

  • 「编译后织入」 :编译完初始类后发现需要 AOP 增强,然后织入相关代码

  • 「类加载时织入」 :指在加载器加载类的时候织入

da878e6fc455ce5e37703e6e27806e6d.png
主要区别Spring AOPAspecjtJ AOP
增强方式运行时增强编译时增强
实现方式动态代理修改代码
编译器javac特殊的编译器 ajc
效率较低(运行时反射损耗性能)较高
织入方式运行时编译时、编译后、类加载时

12.spring 中 Bean 的生命周期是怎样的?

SpringBean 生命周期大致分为4个阶段:

229041b883591620d663d92ba9833009.png
  • 1.「实例化」 ,实例化该 Bean 对象

  • 2.「填充属性」 ,给该 Bean 赋值

  • 3.「初始化」

    • 如果实现了 Aware 接口,会通过其接口获取容器资源

    • 如果实现了 BeanPostProcessor 接口,则会回调该接口的前置和后置处理增强

    • 如果配置了 init-method 方法,]会执行该方法

  • 4.「销毁」

    • 如果实现了 DisposableBean 接口,则会回调该接口的 destroy 方法

    • 如果配置了 destroy-method 方法,则会执行 destroy-method 配置的方法

13.spring 是怎么解决循环依赖的?

1b4ac9a68ffa6cc84ad56abbfe6f83ad.png

循环依赖就是说两个对象相互依赖,形成了一个环形的调用链路

spring 使用三级缓存去解决循环依赖的,其**「核心逻辑就是把实例化和初始化的步骤分开,然后放入缓存中」** ,供另一个对象调用

  • 「第一级缓存」 :用来保存实例化、初始化都完成的对象

  • 「第二级缓存」 :用来保存实例化完成,但是未初始化完成的对象

  • 「第三级缓存」 :用来保存一个对象工厂,提供一个匿名内部类,用于创建二级缓存中的对象


当 A、B 两个类发生循环引用时 大致流程

  • 1.A 完成实例化后,去**「创建一个对象工厂,并放入三级缓存」** 当中

    • 如果 A 被 AOP 代理,那么通过这个工厂获取到的就是 A 代理后的对象

    • 如果 A 没有被 AOP 代理,那么这个工厂获取到的就是 A 实例化的对象

  • 2.A 进行属性注入时,去**「创建 B」**

  • 3.B 进行属性注入,需要 A ,则**「从三级缓存中去取 A 工厂代理对象」** 并注入,然后删除三级缓存中的 A 工厂,将 A 对象放入二级缓存

  • 4.B 完成后续属性注入,直到初始化结束,将 B 放入一级缓存

  • 5.「A 从一级缓存中取到 B 并且注入 B」 , 直到完成后续操作,将 A 从二级缓存删除并且放入一级缓存,循环依赖结束


spring 解决循环依赖有两个前提条件:

  • 1.「不全是构造器方式」 的循环依赖(否则无法分离初始化和实例化的操作)

  • 2.「必须是单例」 (否则无法保证是同一对象)

14.为什么要使用三级缓存,二级缓存不能解决吗?

可以,三级缓存的功能是只有真正发生循环依赖的时候,才去提前生成代理对象,否则只会**「创建一个工厂并将其放入到三级缓存」** 中,但是不会去通过这个工厂去真正创建对象。

如果使用二级缓存解决循环依赖,意味着所有 Bean 在实例化后就要完成 AOP 代理,这样**「违背了 Spring 设计的原则」** ,Spring 在设计之初就是在 Bean 生命周期的最后一步来完成 AOP 代理,而不是在实例化后就立马进行 AOP 代理。

15.@Autowired 和 @Resource 有什么区别?

  • 「@Resource 是 Java 自己的注解」 ,@Resource 有两个属性是比较重要的,分是 name 和 type;Spring 将 @Resource 注解的 name 属性解析为 bean 的名字,而 type 属性则解析为 bean 的类型。所以如果使用 name 属性,则使用 byName 的自动注入策略,而使用 type 属性时则使用 byType 自动注入策略。如果既不指定 name 也不指定 type 属性,这时将通过反射机制使用 byName 自动注入策略。

  • 「@Autowired 是spring 的注解」 ,是 spring2.5 版本引入的,Autowired 只根据 type 进行注入,「不会去匹配 name」 。如果涉及到 type 无法辨别注入对象时,那需要依赖 @Qualifier 或 @Primary 注解一起来修饰。

16.spring 事务隔离级别有哪些?

254d532233fa3b61cd71e7746b298773.png
  • DEFAULT:采用 DB 默认的事务隔离级别

  • READ_UNCOMMITTED:读未提交

  • READ_COMMITTED:读已提交

  • REPEATABLE_READ:可重复读

  • SERIALIZABLE:串行化

17.spring 事务的传播机制有哪些?

9b021c4324e072fbad5375aa35c2f1cf.png
  • 1.「propagation_required」

    • 当前方法**「必须在一个具有事务的上下文中运行」** ,如有客户端有事务在进行,那么被调用端将在该事务中运行,否则的话重新开启一个事务。(如果被调用端发生异常,那么调用端和被调用端事务都将回滚)

  • 2.「propagation_supports」

    • 当前方法不必需要具有一个事务上下文,但是如果有一个事务的话,它也可以在这个事务中运行

  • 3.「propagation_mandatory」

    • 表示当前方法**「必须在一个事务中运行」** ,如果没有事务,将抛出异常

  • 4.「propagation_nested」

    • 如果当前方法正有一个事务在运行中,则该方法应该**「运行在一个嵌套事务」** 中,被嵌套的事务可以独立于被封装的事务中进行提交或者回滚。如果封装事务存在,并且外层事务抛出异常回滚,那么内层事务必须回滚,反之,内层事务并不影响外层事务。如果封装事务不存在,则同propagation_required的一样

  • 5.「propagation_never」

    • 当方法务不应该在一个事务中运行,如果**「存在一个事务,则抛出异常」**

  • 6.「propagation_requires_new」

    • 当前方法**「必须运行在它自己的事务中」** 。一个新的事务将启动,而且如果有一个现有的事务在运行的话,则这个方法将在运行期被挂起,直到新的事务提交或者回滚才恢复执行。

  • 7.「propagation_not_supported」

    • 方法不应该在一个事务中运行。「如果有一个事务正在运行,他将在运行期被挂起,直到这个事务提交或者回滚才恢复执行」

18.springBoot 自动装配原理?

aa010d9ca05a254de2774f56b1b399be.png
  • 1.容器在启动的时候会调用 EnableAutoConfigurationImportSelector.class 的 selectImports方法**「获取一个全面的常用 BeanConfiguration 列表」**

  • 2.之后会读取 spring-boot-autoconfigure.jar 下面的spring.factories,「获取到所有的 Spring 相关的 Bean 的全限定名 ClassName」

  • 3.之后继续**「调用 filter 来一一筛选」** ,过滤掉一些我们不需要不符合条件的 Bean

  • 4.最后把符合条件的 BeanConfiguration 注入默认的 EnableConfigurationPropertie 类里面的属性值,并且**「注入到 IOC 环境当中」**

- END -

欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

2147d02d04223713f8bf5685f2f2b1cb.png

已在知识星球更新源码解析如下:

d04b8b42fdf8aae36fc1b52930a81a9b.png

33b039306b93da50501a6a3e57d6e1d5.png

509bc6befe56f5c475ead2286dabcc29.png

bc69311502ba76e5e68619dbd4920411.png

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
QNX侧触摸屏(TP)Bringup流程与源码深度解析 QNX侧TP Bringup的核心在于构建。 阅读详情

相关推荐

告别‘小目标’丢失!手把手复现DNANet红外检测网络(PyTorch版)

本文详细介绍了如何使用PyTorch从零实现DNANet红外小目标检测网络,重点解析了DNIM模块和CSAM注意力机制的设计与实现。通过实战教程,帮助开发者解决红外小目标检测中的特征提取和训练调参难题,适用于军事侦察、安防监控等场景。

weixin_28701593的博客 254

spring常见面试题(2024最新)

spring常见面试题(2023最新)

酷酷的馫博客 5万+

浅谈迪杰斯特拉(Dijkstra)算法和A*算法原理及实现

迪杰斯特拉(Dijkstra)算法和A*算法的原理及实现。

Guo_Zhanyu 9600

面试篇:Spring

AOP称为面向切面编程,用于将那些与业务无关,但却对多个对象产生影响的公共行为和逻辑,抽取并封装为一个可重用的模块,这个模块被命名为“切面”(Aspect),减少系统中的重复代码,降低了模块间的耦合度,同时提高了系统的可维护性。

JackMa的博客 4906

电机控制个人学习路线及专业书籍资源分享

个人学习电机控制的学习路线,和相关专业书的电子文档分享

weixin_45182459的博客 9922

DataWorks数据安全治理最佳实践

DataWorks基于数据安全治理的常见思路,针对资产梳理、技术体系建设和运营体系建设,提供了一系列数据安全产品能力,您可通过“基础防护建设、数据安全防护措施及策略增强建设、数据安全持续运营”三个阶段在DataWorks上落地数据安全治理项目。参考本文启动数据安全治理项目前,建议您先了解DataWorks数据安全产品相关能力了解DataWorks数据安全产品能力后,您可参考如下三个阶段在DataWorks上落地数据安全治理项目。

soso1968的博客 1439

69道Spring面试题和答案

目录 Spring 概述依赖注入Spring beansSpring注解Spring数据访问Spring面向切面编程(AOP)Spring MVC Spring 概述 1. 什么是spring? Spring 是个java企业级应用的开源开发框架。Spring主要用来开发Java应用,但是有些扩展是针对构建J2EE平台的web应用。Spring 框架目标是简化Java企业级应用开发,并

mingtianhaiyouwo的博客 3647

rk3576 适配以太网(百兆)

百兆以太网,也常被称为快速以太网,是一种在1990年代中期推出的计算机网络技术标准。它相当于把当时主流的10兆以太网速度提升了10倍,最高能提供 100 Mbps 的传输速率,让文件共享、视频传输等网络应用变得流畅许多。它在数据链路层面完全保留了传统以太网的帧格式和MAC机制,这意味着现有的网络软件可以无缝对接,用户从10兆网络升级到百兆网络时,通常只需要更换网卡和集线器/交换机即可,非常方便。 在rk3576平台上,原生以太网接口支持百兆、千兆,还有pcie转换的2.5G。

weixin_35723192的博客 209

Spring面试题

推荐博客:https://blog.youkuaiyun.com/a745233700/article/details/80959716 1. Spring是什么 Spring是一个轻量级的IoC和AOP容器框架。是为Java应用程序提供基础性服务的一套框架,目的是用于简化企业应用程序的开发,它使得开发者只需要关心业务需求。主要包括以下七个模块: Spring Context:提供框架式的Bean访问方式,以及企业级功能(JNDI、定时任务等); Spring Core:核心类库,所有功能都依赖于该类库,提供IOC和

诗和远方 1万+

UG\NX二次开发 一个创建小平面体的例子

介绍。

王牌飞行员_里海的博客 447

【知识分享】IBIS 建模指南 05

本文详细阐述了IBIS模型创建过程中的关键技术和数据规范要求。主要内容包括:1. 数据完整性检查要点,强调I-V和V-T数据必须覆盖所有工艺角且匹配;2. 数据限制处理方法,介绍100/1000点限制下的两种数据筛选算法;3. 特殊数据处理技术,包括内部终端电阻调整和V-T表时间窗口选择;4. 高级关键字应用,涵盖[ModelSelector]、[Sub model]、[DiffPin]等复杂功能实现方法;5. 预加重缓冲器等特殊结构的建模方案。

一只豌豆象的博客 1597

Spring常见面试题汇总(超详细回答)

Spring框架相关 ,AOP,IOC,SpringMVC,Spring事务等高频面试题汇总,超详细回答

qq_33129875的博客 1万+

DCMM评估报告模板样例

这篇DCMM评估报告对某数据管理公司2020年的数据管理能力进行了全面分析。报告显示,该公司在数据战略方面取得初步进展,但在数据治理和数据架构方面仍存在明显不足,包括缺乏有效治理流程、数据质量监控不足,以及数据标准化和转换灵活性不足等问题。评估报告提出了针对性改进建议,包括完善数据战略、建立治理流程、加强质量监控和提升数据转换灵活性等,为提升数据管理成熟度提供了重要指导。

cdfunlove的博客 168

Spring 夺命连环18问

Spring 夺命连环18问?拿捏了! 以下文章来源于moon聊技术 ,作者moon聊技术 moon聊技术.玩玩技术,聊聊人生,看看生活,搞搞理想 「Spring 夺命连环18问」 新鲜出炉了,整理了一下关于 spring 的面试题,网上也翻了翻关于 spring 的面试题,汇总了一下,基本都在这里了,当然可能有些过于基本的概念我是直接整理到某一问当中了,就没有单独再开设一问,祝大家面试顺利~ 1.spring 中都用到了哪些设计模式? 2.spring 中有哪些核心模块? 3.说一下你理解的 IOC

csdnlaiyanqi的博客 272

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。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

spring,springboot 面试夺命连环18问?拿捏了

目录 1.spring 中都用到了哪些设计模式? 2.spring 中有哪些核心模块? 3.说一下你理解的 IOC 是什么? 4.spring 中的 IOC 容器有哪些?有什么区别? 5.那 BeanFactory 和 FactoryBean 又有什么区别? 6.@Repository、@Service、@Compent、@Controller它们有什么区别? 7.那么 DI 又是什么? 8.说说 AOP 是什么? 9.动态代理和静态代理有什么区别? 10.JDK 动态代理和 CGLIB

zhangkaixuan456的博客 415

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。

21年最新面试题整理:Spring 夺命连环18问(附题解)

这次整理了一下关于 spring 的面试题,网上也翻了翻关于 spring 的面试题,汇总了一下,基本都在这里了,当然可能有些过于基本的概念我是直接整理到某一问当中了,就没有单独再开设一问,祝大家面试顺利~ Spring 中都用到了哪些设计模式? Spring 中有哪些核心模块? 说一下你理解的 IOC 是什么? Spring 中的 IOC 容器有哪些?有什么区别? 那 BeanFactory 和 FactoryBean 又有什么区别? @Repository、@Service、@Compent

公众号:该用户快成仙了 1759

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")

Spring 连环18问

「Spring 夺命连环18问」新鲜出炉了,整理了一下关于 spring 的面试题,网上也翻了翻关于 spring 的面试题,汇总了一下,基本都在这里了,当然可能有些过于基本的概念我是直接整理到某一问当中了,就没有单独再开设一问,祝大家面试顺利~ 1.spring 中都用到了哪些设计模式? 2.spring 中有哪些核心模块? 3.说一下你理解的 IOC 是什么? 4.spring 中的 IOC 容器有哪些?有什么区别? 5.那 BeanFactory 和.

qq_40068304的博客 210

Spring 的 “夺命连环问”,你准备好了吗?

好啦,话不多说,咱们赶紧开始今天的面试题之旅吧!第四,B需要注入A,通过三级缓存中获取ObjectFactory来生成一个A的对象同时存入二级缓存,这个是有两种情况,一个是可能是A的普通对象,另外一个是A的代理对象,都可以让ObjectFactory来生产对应的对象,这也是三级缓存的关键。主要思路是这样的,使用aop中的环绕通知+切点表达式,这个表达式就是要找到要记录日志的方法,然后通过环绕通知的参数获取请求方法的参数,比如类信息、方法信息、注解、请求方式等,获取到这些参数以后,保存到数据库。

m0_68778396的博客 1073

真的惨,用Spring 面试夺命连环18问击碎黑暗

前言 这次整理了一下关于 spring 的面试题,网上也翻了翻关于 spring 的面试题,汇总了一下,基本都在这里了,当然可能有些过于基本的概念我是直接整理到某一问当中了,就没有单独再开设一问,祝大家面试顺利~ Spring面试题 1.spring 中都用到了哪些设计模式? 2.spring 中有哪些核心模块? 3.说一下你理解的 IOC 是什么? 4.spring 中的 IOC 容器有哪些?有什么区别? 5.那 BeanFactory 和 Factory

q1472750149的博客 200

21年最新面试题整理:Spring 夺命连环18问(附题解,大厂首发

对程序源代码进行修改,生成了静态的 AOP 代理类(生成的 *.class 文件已经被改掉了,需要使用特定的编译器),比如 AspectJ。spring 使用三级缓存去解决循环依赖的,其 「核心逻辑就是把实例化和初始化的步骤分开,然后放入缓存中」 ,供另一个对象调用。AspectJ AOP 是编译时增强,需要特殊的编译器才可以完成,是通过 **「修改代码来实现」**的,支持。在程序运行前,代理类的.class文件就已经存在了。,生成一个实现同样接口的一个代理类,然后通过重写方法的方式,实现对代码的增强。

932

饿了么三面:让你怀疑人生的Spring Boot夺命连环40问

近些年,技术更新迭代是相当快, SpringBoot、SringCloud、Dubbo、Redis 等各种分布式开源框架。如果一直停滞不前,或者只是受限于只是会用的层次,对未来的职业发展会很不利

SQY0809的博客 347
上一篇: LinkedList 的作者说他自己都不用 LinkedList?那用啥?
下一篇: 面试面到自闭。
公众号-芋道源码
博客等级 码龄10年 1640粉丝 377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