2025Java面试题第一弹

Java面试题大全(2025版) == 对于基本类型来说是值比较,对于引用类型来说是比较的是引用;而 equals 默认情况下是引用比较,只是很多类重新了 equals 方法,比如 String、Integer 等把它变成了值比较,所以一般情况下 equals 比较的是值是否相等。 阅读详情

1、Java中的equals()和hashCode()方法是如何工作的?

在Java中,equals()和hashCode()是两个非常重要的方法,它们在许多情况下都非常重要,特别是在处理集合和比较对象相等性的时候。这两个方法的工作原理是密切相关的。

首先,我们来了解下 equals()方法的基本工作原理。

equals()方法的主要目标是判断两个对象是否相等。通常来说,这取决于对象本身的定义,比如对于自定义的对象类型,可能需要重写equals()方法以比较对象的特定属性是否相等。例如:

public class Person {
    private String name;
    private int age;

    @Override
    public boolean equals(Object o) {
        if (this == o) return true;
        if (o == null || getClass() != o.getClass()) return false;
        Person person = (Person) o;
        return age == person.age && name.equals(person.name);
    }
}

在上述代码中,我们首先检查两个对象是否是同一个对象(使用==操作符),如果是,则返回true。然后我们检查传入的对象是否为null或者与当前对象的类不同,如果是,则返回false。最后,我们通过比较对象的特定属性(这里是年龄和姓名)来判断两个对象是否相等。

现在我们来看 hashCode()方法。

hashCode()方法返回对象的哈希码值。哈希码是一种基于对象的某些属性(通常是对象的内存地址)的数值表示方式。哈希码的主要用途是提高数据在哈希表中的查找效率。当我们在哈希表中查找一个对象时,我们通常会使用该对象的哈希码来定位它。

hashCode()方法的工作原理通常基于对象的equals()方法的实现。如果两个对象根据equals()方法被认为是相等的,那么它们的哈希码也应该相同。这是因为哈希表通常会使用哈希码来快速定位对象。例如:

@Override
public int hashCode() {
    int result = age;
    result = 31 * result + name.hashCode();
    return result;
}

在这个例子中,我们将对象的年龄和姓名属性结合起来计算出一个哈希码。这是因为通常来说,年龄和姓名对于一个对象来说是非常重要的属性,如果这两个属性不同,那么对象通常会被认为是不同的。

总的来说,equals()和hashCode()方法在Java中是非常重要的,它们一起工作以提供一种比较对象相等性和生成哈希码的方法,这对于在集合中使用对象以及在哈希表中使用对象是非常重要的。

2、解释一下Java中的流(Stream)API。

Java中的流(Stream)API是一种用于处理集合数据的强大工具,它提供了一种简洁而直观的方式来对集合中的元素进行各种操作。流API基于Java集合框架,因此它可以直接操作集合(如列表、数组、集合等)中的元素。

流API的主要功能包括:

  1. 转换(Transforming):将集合中的元素转换为另一种类型的元素,或者根据某些条件过滤元素。
  2. 过滤(Filtering):根据条件筛选集合中的元素。
  3. 映射(Mapping):将集合中的元素映射为另一种类型的元素。
  4. 收集(Collecting):将流中的元素收集到一起,形成一个新的集合或单一的值。
  5. 排序(Sorting):对流中的元素进行排序。

流API的主要接口包括:

  • Stream:表示一个数据流,可以从中提取元素。
  • Collector:用于将流中的元素收集到一起,形成一个新的集合或单一的值。
  • Iterator:用于遍历集合中的元素,通常与流API一起使用。

流API的主要方法包括:

  • stream():将集合转换为流。
  • filter(Predicate):根据条件过滤流中的元素。
  • map(Function):将流中的元素映射为另一种类型的元素。
  • collect():将流中的元素收集到一起,形成一个新的集合或单一的值。
  • sorted():对流中的元素进行排序。

以下是一个简单的Java代码示例,演示了如何使用流API从整数列表中筛选出偶数:

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9);

// 将列表转换为流并筛选偶数
Stream<Integer> evenNumbers = numbers.stream()
                                     .filter(n -> n % 2 == 0);

// 将筛选后的流收集到一个新的列表中
List<Integer> evenList = evenNumbers.collect(Collectors.toList());

在这个例子中,我们首先将整数列表转换为流,然后使用filter()方法筛选出偶数。最后,我们使用collect()方法将筛选后的流收集到一个新的列表中。

3、如何在Java中实现对象的序列化和反序列化?

在Java中,可以使用Java序列化机制来实现对象的序列化和反序列化。以下是一些基本步骤和代码示例:

对象序列化

首先,需要将对象标记为可序列化。这可以通过实现java.io.Serializable接口来完成。

import java.io.Serializable;

public class MyObject implements Serializable {
    private static final long serialVersionUID = 1L;
    // 对象的字段
}

序列化一个对象,需要使用ObjectOutputStream类。这个类提供了一个writeObject方法,可以将对象写入到输出流中。

import java.io.FileOutputStream;
import java.io.ObjectOutputStream;

// ...创建对象和输出流
FileOutputStream fos = new FileOutputStream("myObject.ser");
ObjectOutputStream oos = new ObjectOutputStream(fos);
oos.writeObject(myObject);  // 将对象写入到输出流中
oos.close();

对象反序列化

反序列化一个对象,需要使用ObjectInputStream类。这个类提供了一个readObject方法,可以从输入流中读取对象。

import java.io.FileInputStream;
import java.io.ObjectInputStream;

// ...创建输入流
FileInputStream fis = new FileInputStream("myObject.ser");
ObjectInputStream ois = new ObjectInputStream(fis);
MyObject myObject = (MyObject) ois.readObject();  // 从输入流中读取对象并转换类型
ois.close();

以上代码示例演示了如何将一个对象序列化到文件中,并从文件中反序列化该对象。请注意,在反序列化时需要确保对象的类型和字段与序列化时相同,否则可能会抛出ClassCastException异常。另外,如果序列化的对象包含不可序列化的字段(例如非静态、非瞬态的final字段),则反序列化时会抛出NotSerializableException异常。因此,在序列化和反序列化对象时需要谨慎处理这些情况。

4、解释一下Java中的垃圾收集机制。

Java中的垃圾收集机制是一种自动管理内存的方式,它负责回收不再使用的对象所占用的内存。Java的垃圾收集器通过定期运行收集器算法来识别哪些对象不再被引用,并回收这些对象所占用的内存。垃圾收集机制的目标是确保内存被有效地分配和回收,以避免内存泄漏和OutOfMemoryError异常。

Java中的垃圾收集机制主要由以下几个部分组成:

  1. 收集器:Java提供了几种不同的收集器,如Serial收集器、Parallel收集器、CMS收集器(Concurrent Mark Sweep)等。选择哪种收集器取决于应用程序的需求和性能要求。
  2. 内存区域:Java虚拟机(JVM)将内存划分为不同的区域,每个区域负责管理不同的对象。这些区域包括新生代、老年代、方法区等。垃圾收集器在这些区域之间进行内存回收。
  3. 标记-清除(Mark-Sweep)算法:这是垃圾收集的基本算法之一。它首先标记所有活动对象,然后清理未被标记的对象。在Java中,垃圾收集器使用标记-清除算法来识别不再使用的对象,并回收它们的内存。
  4. 触发时机:垃圾收集器根据应用程序的需求和性能要求,自动决定何时触发垃圾收集。它可以定期运行,也可以在需要时触发。
  5. 并发模式:在现代Java垃圾收集器中,通常采用并发模式进行垃圾收集,这意味着垃圾收集过程不会阻塞应用程序的执行。

以下是一个简单的Java代码示例,展示了如何使用System.gc()方法触发垃圾收集:

public class GCExample {
    public static void main(String[] args) {
        // 创建一些对象
        Object obj1 = new Object();
        Object obj2 = new Object();
        Object obj3 = new Object();

        // 触发垃圾收集
        System.gc();
    }
}

这段代码创建了三个对象,并通过System.gc()方法触发垃圾收集。虽然这段代码本身并不会对垃圾收集产生实际效果,但它在概念上展示了Java中的垃圾收集机制。需要注意的是,虽然调用System.gc()可以触发垃圾收集,但并不能保证一定会回收内存,因为它只是建议JVM进行垃圾收集,具体是否执行取决于JVM的实现和配置。

java高频面试题(2025最新) 父应用提供一个GET方式的登录接口A,用户通过子应用重定向连接的方式访问这个接口,如果用户还没有登录,则返回一个登录页面,用户输入账号密码进行登录,如果用户已经登录了,则生成加密的token,并且重定向到子应用提供的验证token的接口B,通过解密和校验之后,子应用登录当前用户,虽然解决了安全和跨域,但是没前两种简单。因为链表长度越长,哈希冲突概率就越小,当链表等于8时,哈希冲突就非常低了,是千万分之一,我们的map也不会存那么多数据,如果真要存那么多数据,那就转为红黑树,提高查询和插入的效率。 阅读详情

相关推荐

Java面试题(2025最新附答案)

(3)@EnableConfigutarion:最关键的一个注解,他拥有两个子注解,其中@AutoConfigurationpackageu会将启动类所在包下的所有组件到容器中,@Import会导入一个自动配置文件选择器,他会去加载META_INF目录下的spring.factories文件,这个文件中存放很大自动配置类的全类名,这些类会根据元注解的装配条件生效,生效的类就会被实例化,加载到ioc容器中。*当前读读取的是数据的最新版本,并且当前读返回的记录都会上锁,保证其他事务不会并发修改这条记录。

tangjieqing的博客 1971

Java面试题及答案整理( 2024年12月最新版,持续更新)

子类继承了父类原有的方法,但有时子类并不想原封不动的继承父类中的某个方法,所以在方法名,参数列表,返回类型(线程共享的,用于存放被虚拟机加载的类的元数据信息,如常量、静态变量和即时编译器编译后的 代码。:是把构成问题的事务分解成各个对象,而建立对象的目的也不是为了完成一个个步骤, 而是为了描述某个事物在解决整个问题的过程中所发生的行为。栈的大小可以是固定的,或者是动态扩展的。这是按照一种回收机制进行划分的,不是固定的。是指在程序中,我们自己定义的内容,譬如,类的名字,方法名称以及变量名称等等,都是标识符。

2401_83384536的博客 1161

Java高频面试题(2025最新版)

基本数据类型,如int,float,double,boolean,char,byte,不具备对象的特征,不能调用方法。装箱:将基本类型转换成包装类对象拆箱:将包装类对象转换成基本类型的值java为什么要引入自动装箱和拆箱的功能?主要是用于java集合中,List list=new ArrayList();list集合如果要放整数的话,只能放对象,不能放基本类型,因此需要将整数自动装箱成对象。

2401_89221704的博客 1963

Java 2025年面试总结(持续更新)

1.自我介绍简单一点吧,把自己的情况说清楚,一两分钟即可。2.微服务的组件答:微服务是把一个类似单体项目根据某种维度进行拆分,比如根据功能模块进行拆分。拆分之后,具备了更好的抗压性/扩展性,还可以更好的解耦,但是维护相比之前会更麻烦了常用的组件有Spring Cloud。其中里面有:Nacos:用来做注册中心/配置中心Gateway:用来做网关Hystrx:做限流、熔断、降级Dubbo:做服务间的调用Feign:也是服务间的调用3.mq的运用。

m0_67393827的博客 2595

2025春招,Spring 面试题汇总

以上关于 Spring 的面试题,分为基础部分和高级部分,备战春招2025,希望可以助你一臂之力,关注威哥爱编程,拿下春招就你行。

威哥爱编程,华为 HDE,鸿蒙极客、优快云博客专家、《鸿蒙 HarmonyOS 5/6 开发之路》系列图书第一作者 1599

【Java面试题汇总】设计模式篇(2026版)

谈谈你对设计模式的理解、七大原则、单例模式、工厂模式、代理模式、模板模式、观察者模式、JDK中用到的设计模式、Spring中用到的设计模式

种一棵树最好的时间是十年前,其次是现在 8927

java2025springboot面试题第一弹

Spring Boot通过自动配置、简化依赖管理和内嵌容器,极大地简化了Spring应用的开发,同时提供了丰富的生产就绪功能,使得开发和运维更加高效。Spring Boot支持通过配置文件和Java配置类来设置数据源,开发者可以根据需求选择合适的方式。注解,Spring Boot可以轻松实现异步方法调用,适合处理耗时任务,提高应用的响应性能。注解,Spring Boot可以轻松实现定时任务,支持固定频率和Cron表达式两种方式。注解允许开发者定义全局异常处理逻辑,统一处理不同类型的异常,返回标准化的响应。

WangYaolove1314的博客 620

【Java面试题汇总】JVM篇(2026版)

JVM内存模型、双亲委派模型、类加载机制、内存溢出、垃圾回收机制、内存泄漏、垃圾回收流程、垃圾回收器、G1、CMS、JVM调优

种一棵树最好的时间是十年前,其次是现在 3万+

java2025年多线程热点面试题第一弹

java2025年多线程热点面试题第一弹。

WangYaolove1314的博客 1148

驱动钛丝(SMA)的应用(5)汽车腰托气阀常见问题及解决方案

财哥在前段时间发布的《驱动钛丝(SMA)的应用(1)汽车腰托支撑按摩气阀模块》一文,引发了很多企业的拜访和交流。 目前很多厂家已经启动或正在进行相关研发,同时也遇到了诸如:钛丝选型、驱动位移、响应设计、温度控制、力量设计、点动滞后、铆接工艺、量化生产等问题。

weixin_39168671的博客 1245

小白的MatSWMM使用心路(二)——用matlab修改INP文件参数/使用matlab查找txt内容并修改多行内容

说是修改inp,但是里面的内容大部分还是讲怎么修改txt的……(?)。包含如何找到需要的参数(关键字)位置,以及修改那个位置的txt这样的内容。希望能帮助大家吧……Matlab你要多出好用的功能啊!

weixin_44276743的博客 4532

Java 面试题及答案整理(2025年最新版)

死锁是指两个或两个以上的进程在执行过程中,由于竞争资源或者由于彼此通信而造成的一种阻塞的现象,若无外力作用,它们都将无法推进下去。

m0_50180963的博客 1万+

让AI镜头“活”起来:22个核心运镜提示词,告别视频画面呆板

介绍了22种影视级镜头语言的AI提示词用法。内容涵盖推轨/后拉镜头等距离变化技巧、横摇/俯仰等方向控制手法、环绕/升降等空间位移方式,以及POV视角等特殊构图。

weixin_43489601的博客 6294

2025java 面试题

本文涵盖了Java基础、并发编程、JVM与性能调优、Spring与SpringBoot、MySQL、Redis、消息队列(Kafka/RabbitMQ)、分布式与微服务以及常用中间件等多个技术领域的关键知识点。从ArrayList与LinkedList的区别、HashMap的底层实现,到Spring Bean的生命周期、MySQL的索引结构,再到Redis的数据结构、Kafka的消息机制,以及微服务的常见组件和Elasticsearch的应用场景,文章详细解析了各项技术的核心概念、实现原理及使用场

SYL2311246962的博客 4666

51单片机IAP在线升级

51单片机IAP在线升级 爱矽半导体E85F3325单片机IAP在线升级教程,此处可查看更新及demo下载 文章目录前言一、ROM资源二、KEIL有关知识1.BL51连接器:2.LX51连接器:三、Keil其他相关项说明:四、MCU启动文件说明:五、例程BOOTLOADER使用说明六、例程使用可更改说明:七、程序使用通信方式:XMODEM八、APP程序说明九、APP代码升级说明十、代码合并烧写 前言 扩展-IAP 主要用于产品出厂后应用程序的更新作用 ,类似于其他引导装载升级程序的方法,在系统中必须始终

qq_42415953的博客 6669

Verilog-asm小练习—PLL建模

Verilog- ams是Verilog标准的模拟混合信号语言,以下是对PLL建模的一种思路参考

weixin_44700185的博客 1019

2025Java面试题第九弹

在Java中,垃圾回收(Garbage Collection,GC)是自动管理对象生命周期的一种机制,这意味着开发者无需手动释放内存,垃圾回收器会自动回收不再使用的对象所占用的内存。Java提供了多种内置的垃圾收集器,这些收集器基于不同的算法和策略,以满足不同场景下的内存回收需求。Java中的内存泄漏通常是由于对象不再需要,但它们仍然存在于堆内存中,导致可用内存不断减少,最终导致程序性能下降或崩溃。然后我们改变了对对象的引用,使其不再有效,这样JVM就可以回收该对象的内存空间了。这个例子中,我们有一个类。

ipfenge的博客 1001

03 Token、Embedding、上下文窗口:开发者必须懂的三个基本概念

Token、Embedding 和上下文窗口是大模型应用开发的三个基础概念。本文从成本、速度、检索和上下文设计四个角度讲清它们的工程意义,帮助开发者理解为什么同一段内容会超限、变贵,为什么 RAG 能做语义检索。

老于的笔记的专栏 413

2025Java面试题第七弹

在Java中,接口是一种引用类型,它定义了一组方法的契约,但不包含实现。接口定义了方法签名,但不提供方法的实现细节。Java中的接口用于实现多态性和代码的抽象化。在Java中定义接口的方式非常简单。你只需要使用关键字interface,并定义你想要的方法。// 方法声明// 带参数的方法声明在这个例子中,我们定义了一个名为method1和method2。这两个方法都没有具体的实现,只有方法签名。要实现这个接口,你需要创建一个类并实现接口中的所有方法。// 实现方法1的逻辑// 实现方法2的逻辑。

ipfenge的博客 665

万字数据仓库面试题及参考答案

星型模型由一个中心的事实表和多个外围的维度表组成,事实表存储度量值和事实,维度表存储描述性属性和维度。星型模型和雪花模型的区别在于雪花模型将维度表进一步细化,形成多层次的结构,而星型模型由一个中心事实表和多个维度表组成,适用于查询较为简单的情况。维度建模通常采用星型模型或雪花模型,将数据分为事实表和维度表,其中事实表存储度量值和事实,维度表存储描述事实的属性。三者之间的关系可以这样理解:数据仓库主要关注历史数据的存储和分析,数据中台则关注数据的服务化和资产化,而数据湖则关注原始数据的存储和多样性。

大模型大数据攻城狮的专栏 560

基于STM32设计的心率脉搏测量仪(项目资料ID:9)

本设计基于STM32F103单片机开发了一款便携式心率脉搏测量仪,通过光电传感器采集脉搏信号,经放大(约1200倍)、滤波(低通及四阶低通滤波)、比较及偏置电压调理后,由STM32进行ADC采样与数据处理。硬件采用Altium Designer设计,包含信号调理电路(限定心率范围43.4-800次/分钟)及电源管理模块;软件基于STM32CubeMX开发,利用队列存储和时间间隔平均算法优化精度,实现多终端显示(OLED实时心率/动画、MATLAB波形分析、蓝牙传输至手机)。系统支持自动启停(检测脉搏启

以培养嵌入式工程师为己任 1万+

2025Java面试题第四弹

Java的垃圾收集器(Garbage Collector)是一种自动管理内存的系统,它负责回收不再被引用(即不再被使用)的对象所占用的内存。垃圾收集器的主要任务是识别并回收这些不再使用的对象,以防止内存泄漏和创建过多的垃圾。Java的垃圾收集器使用触发策略来决定何时执行垃圾收集。空闲空间触发:当堆内存空间耗尽时,垃圾收集器会自动触发。这是默认的触发策略。暂停触发:当应用程序请求暂停执行时,垃圾收集器会自动触发。这种触发策略通常用于大型应用程序的长时间运行,以便释放CPU资源,以防止CPU过载。

ipfenge的博客 745

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")

2025最新Java高频面试题(含答案整理)

ZK 集群的机制是只要超过半数的节点正常,集群就能正常提供服务。如今互联网行业用的最多就是 MySQL,然而对于高级 Web 面试者,尤其对于寻找 30k 下工作的求职者,很多 MySQL 相关知识点基本都会涉及,如果面试中,你的相关知识答的模糊和不切要点,基本大多稍好公司的面试官,基本也不会对你有兴趣,毕竟稍微量大的项目,最终都会让你去深入数据库,而且最终的大多瓶颈首先也会出现在数据库。我们与其羡慕他人的成功,不如从此刻开始,积累足够多的知识和面试经验,为将来进入更好的公司做充分的准备!

m0_50180963的博客 1051

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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

2025年必备Java基础面试题

本文总结了Java核心知识点,主要内容包括: JDK常用包(java.lang、java.io等)及其用途; Java IO流的分类(BIO/NIO/AIO区别)和Files类常用方法; 反射机制原理、优缺点及应用场景; String特性(不可变性、常量池)及与StringBuffer/StringBuilder的区别; 自动装箱拆箱原理及Integer缓存机制(-128~127); 字符串反转、比较等常用操作示例代码。 这些知识点涵盖了Java基础、IO操作、反射机制和字符串处理等核心内容,是Java面试

2401_89221445的博客 1454

Java面试题及答案整理(2025金三银四)

因为sleep() 是static静态的方法,他不能改变对象的机锁,当一个synchronized块中调用了sleep() 方法,线程虽然进入休眠,但是对象的机锁没有被释放,其他线程依然无法访问这个对象。run()方法是在本线程里的,只是线程里的一个函数,而不是多线程的。wait():wait()是Object类的方法,当一个线程执行到wait方法时,它就进入到一个和该对象相关的等待池,同时释放对象的机锁,使得其他线程能够访问,可以通过notify,notifyAll方法来唤醒等待的线程。

tangjieqing的博客 1248
下一篇: 2025Java面试题第二弹
程序员风歌
博客等级 码龄2年 168粉丝 23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