腾讯二面,被问懵了~

【腾讯软件测试面试经历】一面、二面、HR终面 此文讲述了我和腾讯蜜汁缘分。 我在腾讯截至投递简历的前十几分钟填完了简历,以至于我报错岗位了。我想去的是测试开发,却报成了软件测试。 紧接着,我收到了笔试通知。在笔试的模拟测试中,共有2种类型的题目:不定项选择题26分,填空题24分。囊括的知识点很广,有linux,操作系统(页面替换题,进程线程),数据结构,计算机网络。 在正式笔试的时候,考的跟模拟题完全不一样!可能因为我是软件测试而不是测... 阅读详情

最近有位小伙伴被腾讯的面试题问懵了,大家来看看是怎么考察的,主要是后端的。 

面试复盘:

  • 多线程问AQS源码、并发工具类源码、锁的实现原理、阻塞队列源码、线程池实现原理。

  • Java集合主要是hashmap实现原理。

  • Jvm问内存结构和垃圾回收机制加Jvm优化参数配置。

  • Springi问ioc和aop原理,bean的生命周期。

  • Redis问数据类型、线程模型、持久化机制、主从复制原理、高可用原理、redis cluster,分布式锁、消息中间件、hash一致性算法。

  • MQ问可靠性、幂等性、可用性、持久化机制、以及优缺点和使用场景。

  • ZK问使用场景和分布式锁实现。

  • Dubbo问底层通信原理,负载均衡方式和集群容错方式和代理方式和spi机制。

  • 如何保证分布式幂等性、redis和mysql数据—致性、防止redis并发写,缓存雪崩和缓存穿透、限流、降级、熔断。

  •   项目框架,Spring、Mybatis 等框架实现原理是否熟悉?

  •   消息中间件,负载均衡、RPC 框架等技术是否有接触过?MySQL 分库分表是否做过?

  •   分布式架构设计,Redis 分布式锁是否有涉及?

其实很多时候,面试官问的问题会和自己准备的“题库”中的问题不太一样,即使做了复盘,下次面试还是不知道该从何处下手。

为此我专门整理了一份《Java进阶学习+面试宝典》分享给大家,内容涵盖:计算机基础、Java、JVM、spring、算法、微服务、分布式、大厂面经、技术脑图等等...共1700+页 质量非常高!

不管最近要不要去面试,建议大家都保存一份,学完之后不论是 厂内晋升 还是 跳槽涨薪 都不在话下!

内容如下:

ba29868f7578f2daec8ddacb72ae13bc.png

  • 大厂面试题真题解析(38页)

  • JVM(183页)

  • 多线程(221页)

  • Mysql(216页)

  • Spring(338页)

  • Spring Boot(41页)

  • 经典面试题(35页)

  • Spring Cloud(50页)

  • Dubbo(55页)

  • Mybtis+Redis(27页)

  • Linux+网络(66页)

  • MQ+Kafka+Zookeeper(40页)

  • Netty(21页)

  • 大数据+hadoop(31页)

  • 算法(38页)

  • 设计模式+项目+高并发(41页)

注:篇幅有限,资料已整理成文档,扫码领取!

注意!限今天

8472a79dd78caa6029156caff5382e60.gif

备注暗号:20

一、算法(大厂必备)2023版

(含:红黑树,B+树,贪心算法,哈希分治法,七大查找算法,动态规划,一致性算法,数据结构等...)

b717584dbd13af11a858f3b98b336950.png

二、设计模式(工欲善其事必先利其器)2023版

(含:单例模式,工厂模式,抽象工厂模式,建造者模式,原型模式,适配器模式,装饰器模式,代理模式等23种设计模式...)

b4d6670bf2eaf44f9eb238f80f54f7b6.png

注:篇幅有限,资料已整理成文档,扫码领取!

注意!仅限今天

16d6496695fd9b5d21544cf582bb8c34.gif

备注暗号:20

三、Netty + MQ + kafka(底层原理+面试题)2023版

(含:Netty常用场景,高性能设计,架构设计,经典面试题等...)

e249bc984d1bfcb31cd085703e80fbe0.png

四、zookeeper + Dubbo(技术干货+面试题)2023版

(含:zookeeper集群,应用场景,分布式锁,Dubbo核心功能,集群配置,负载均衡,常见面试题等...)

321581c6aa9c89478b21822dd87db525.png

五、Mybtis + Redis (底层原理+面试题)2023版

(含:mybtis缓存,运用原理,分页,Redis事务,主从架构,缓存,穿透,穿击,降级面试题等...)

213b151b9b5708101a1f204afb3b4755.png

六、Http协议 + Linux (底层原理+面试题)2023版

(含:TCP/IP协议详细笔记,网络层架构,三四次握手,Linux概述,磁盘,目录,文件,安全,经典面试题等...)

61da96747a9bbd38ba2057edf65f1985.png

注:篇幅有限,资料已整理成文档,扫码领取!

注意!仅限今天

e993c0d369250464229c7ca22ec54ba1.gif

备注暗号:20

七、Mysql (底层原理 + 面试题)2023版

(含:数据库基础,数据类型,引擎,索引,事务,锁,视图,sql语句,优化,mysql锁,面试题等...)

b21b1a53539062adf22b703dd4750434.png

八、Spring +SpringMVC +SpringBoot(底层原理 + 技术干货)

(含:spring原理,周期,ioc原理,MVC事务,AOP原理,Boot配置,安全,监视器,面试题等...)

32aa116646a4764fd9f156d95099d99d.png

九、经典面试题 + SpringCloud(大厂常见面试题)2023版

(含:面试必考21问,SpringCloud熔断,cap原理,设计目标优缺点,版本关系等...)

c5a1492ffa867ca948a51631007c4541.png

注:篇幅有限,资料已整理成文档,扫码领取!

注意!仅限今天

55dffef22918b365f86e93289b748e2b.gif

备注暗号:20

十、Java基础 + JVM(技术干货+底层原理)2023版

(含:Java基础,异常,NIO,HashMap,Tomcat,JVM堆栈,内存模型,调优,GC,老年代,新生代,垃圾回收,面试题等...)

79745bbe3fbe6230ba210c09caafe21f.png

十一、多线程 (底层原理 + 技术干货)2023版

(含:多线程基本概念,线程安全,线程出,volatile,ThreadLocal,使用场景,并发量,阻塞列队,面试题等...)

cc7e97b08284fe164ee1db9951efabc0.png

十二、实战项目(Github爆火)2023版

该项目是一款标准且已上线的“网约车”应用。符合我国交通部对网约车监管的技术要求。通过了交通部对网约车线上和线下能力认定。项目原型曾在杭州上线运行。

项目中核心功能包括:账户系统,订单系统,支付系统,地图引擎,派单引擎,消息系统等 网约车核心解决方案。

项目中完全采用微服务架构设计,应用了成熟的接口安全设计方案,采用分布式锁保证了分布式环境中的数据同步,用分布式事务解决了分布式环境中的数据一致性等。

前置技能:Git,Maven,Spring Boot,Spring Cloud,Redis,MySql ,RabbitMQ,ActiveMQ等。

项目架构图:

301127bdbd2a3a11b17887bae97367e5.png

注:篇幅有限,资料已整理成文档,扫码领取!

注意!限今天

5269167b6d438fb36255440564749372.gif

备注暗号:20

腾讯TEG AI平台部门一面+二面面经 为什么一面和二面写在同一篇,是因为这两个面试就在同一天,我还没来得及写一面面经,二面就打电话过来了。 一面 一面时长近一个小时,快把我所有东西都掏空了。 首先是面试官小哥哥进行部门介绍,大概了解了他们部门是做游戏的,主要是用强化学习等方式训练出AI机器人进行模拟对战,可以用于游戏队员训练等等,目前已经可以战胜职业选手,还有像围棋、德州扑克这种的模拟对战。 保持着一种非常疑惑的态度听面试官介绍完,然后面试官问我有什么问题吗? 我想了一下说,我投的好像是PCG的ARC lab,然后面试官问我对PCG有 阅读详情

相关推荐

2017腾讯移动端开发暑期实习生面试总结(倒在二面)

2018届腾讯实习校招流程移动端开发岗的面试经验。在通过一面后不幸倒在了二面。

tyc129的技术栈 6955

三年开发经验,跳槽腾讯三面终获Offer,定级T2-1(面试题+经验总结)

虽然面试套路众多,但对于技术面试来说,主要还是考察一个人的技术能力和沟通能力。不同类型的面试官根据自身的理解问的问题也不尽相同,没有规律可循。上面提到的关于这些JAVA基础、三大框架、项目经验、并发编程、JVM及调优、网络、设计模式、spring+mybatis源码解读、Mysql调优、分布式监控、消息队列、分布式存储等等面试题笔记及资料。

2401_84023579的博客 580

面经-腾讯实习内推

offer:腾讯互娱开发,地点:上海已经四月份了,很多公司的暑期实习生内推已经接近尾声了,这里,我记录一下自己面试腾讯的经过,给学弟学妹提供一点经验和教训。准备其实关于内推,我准备的比较晚,三月初我才知道有内推暑期实习生这个事情,这个时候,很多人已经找学长内推了阿里和腾讯,我也赶紧让同学把我拉到一个实习内推群里,有两位分别来自阿里和腾讯的学长帮我们内推,这里感谢一下他们~让学长内推之后,如果面试准备

技术成长笔记 1万+

嗯,春招两次腾讯面试都挂二面了,分享下我失败+傻傻的面试经历

今天给大家转载一篇朋友的文章,朋友是一位非常优秀的公众号作者,也是一名在校生。文章讲述了他的春招面试经历,很多东西值得大家学习。废话不多说,下面开始正文。(互联网侦察做了...

yeluoxiang的专栏 1万+

腾讯前端实习面经(CSIG 一面+二面+三面+四面+HR面)

本人广东双非一本大学,数院大三学生,去年投了腾讯没收到面试通知,今年想再试一下(去年好像是把前端投成全栈了,可能是看看全栈岗的要求然后忘记改回来了。。。) 有了hr面通过的结果了之后才放下心来写面经,有些题可能忘了。 3.8日官网投的暑期实习,晚上打电话来约第二天一面。 一面(3.9): 面试官很nice,先问些个人问题缓解紧张,一开始在腾讯会议,中途网络好像不太好,改成了电话面。 话不多说,直接上题 html有哪些标签?语义化标签听过吗?有什么用? 块级元素和行级元素区别?哪些是块级,哪些是行级? 页

建希的博客 7465

腾讯测试开发岗实习面试(流水账)

恩...很久没有更博,这次的博文就记录一下我最近最主要的一个经历吧。先说真的是运气好跻身鹅厂的实习生大军,最主要的感受就是大家都要勇于尝试,不要觉得BAT这种大公司很难很难(其实在几个月前我也是这么认为的...)其实可能还没有有些小点的公司难。下面进入正题吧~我走的是腾讯校招,正常步骤分为网申,网上笔试,一面,二面,HR面,如果顺利通过前面几关的话,那就需要耐心耐心再耐心的等待....网申从开学开...

AIDOU_LBJ的博客 2155

分享腾讯一面二面的面经,希望能有下一次面试,成功拿下offer,来还愿~

一面 一面面试官是个小姐姐,特别温柔,声音很好听的那种,上来也没做自我介绍啥的,直接就开始问问题,看门见山,我喜欢。 1.啥时候能来实习? 2.能实习多久? 后面开始问技术问题,记得不是很清楚了,未按照时间排序。 3.了解 springBoot 框架吗? 答:用过,但是不是很了解原理。 4.springMVC 和 springBoot 框架有啥区别,springBoor 框架好在哪里? 答:springBoot 框架的特点是“约定大于配置”,传统的 ssm 框架配置繁琐,花在配置上的精力可能就让开发人员力不

+W❤:bjmsb2019 1879

2017年腾讯暑期实习一面经验(测试开发)

前段时间和实验室小伙伴们一起投了腾讯的暑期实习,做完线上笔试差不多一周以后大家陆续收到了面试通知。面试通知是提前两天半收到了,来的很突然。因为腾讯线上测评题目还是挺难的,最后的编程题做的也不好,所以笔试完以后就没有准备面试的内容。突如其来的面试通知让我一下子紧张了起来,面试前的这两天时间真的是争分夺秒的在准备。从一开始就做好了当炮灰的心里准备,但是还是告诉自己这可是腾讯啊,不管怎样去体验一下总是好的

CosetteQi 8471

腾讯实习生技术运营一面、二面经历

咳咳,先清清回忆, 让我从头开始吧,在2月的时候,就已经关注腾讯的实习生招聘了,奈何楼主的学校有点渣,就不敢投哪个啥啥啥计划了,自认为技术还没有到那个要求,额,好吧,接下来说说,我选择的是技术运营,在腾讯开始开放实习生注册简历时候,是3月1号,我立马当天就注册了简历,然后一直到别人都收到了笔试提醒,我却依然没有任何反应,那时,就已经有点放弃了,也有点转腾讯黑的趋势,以为要看学校的概念,然而,在腾

alan H 的博客 1万+

别再让信号‘撞墙’了!手把手教你用嘉立创阻抗计算器搞定PCB高速线(附免费压层结构选择)

本文详细介绍了如何使用嘉立创阻抗计算器解决PCB高速线设计中的阻抗匹配问题,避免信号反射和传输损耗。通过免费压层结构选择和五步计算法,帮助工程师快速掌握USB3.0差分线等高速信号的设计技巧,提升PCB设计效率和信号质量。

weixin_30736301的博客 284

Python连接StarRocks全流程实践: SQL文件调用与Pandas混合优化

通过这种分阶段混合计算, 既能发挥StarRocks处理海量数据的性能优势, 又能保留Pandas在内存计算中的灵活性, 实现效率与功能的完美平衡.结合SQL的高效聚合与Pandas的灵活计算, 实现查询和数据处理的深度融合.该库基于SQLAlchemy 2.x开发, 仅支持Python 3.x环境.对大批量数据的写入, 建议进行分块. 分块写入较单条插入速度会有显著提升.这样可以避免python代码的查询与SQL耦合, 支持版本化管理.将DDL, DML分离为独立文件, 例如。: 调整连接复用参数。

t.y.Tang的博客 2780

Hello Tencent,我是如何在一周内拿下腾讯offer的。

流程走完了,我来走走心。 早在清明放假的时候就听说鹅厂实习生开始面试了,但笔试安排在清明假期,无奈浪到了重庆成都,于是就错过了笔试。与其说是错过了笔试,应该说是自己还没有完全的准备好。 4月23号在微信群有人说腾讯长沙线路研发岗缺人,于是中午就在官网投了简历。下午就收到了25号一面的面试邀请函。这是我的第一次面试,所以权当经验的积累了。时间比较紧,一面我是没有怎么准备了,只是过了一遍自己的简历和

六六Coding的地方 8317

Vivado 2021.1 实战:手把手教你用IEEE1735 V2加密你的Verilog源码(附完整TCL命令)

本文详细介绍了在Vivado 2021.1中使用IEEE1735 V2标准加密Verilog源码的全流程,包括许可证申请、密钥文件配置、TCL命令执行及加密后验证。通过实战步骤和完整TCL命令,帮助开发者有效保护FPGA设计知识产权,确保核心算法安全。

weixin_42706667的博客 193

腾讯C++二面,全程2小时追问基础!

语言和操作系统最容易结合的也是多线程、内存管理。除此以外就是网络中的 TCP、IO模型,这些是大厂 C++ 后台方向特别爱问的。可以看一下星球里的专栏。

编程指北 3439

Basilisk vs. STK:开源航天仿真工具在Windows上的实战体验与生态对比

本文对比了开源航天仿真工具Basilisk与商业软件STK在Windows平台上的实战体验与生态差异。从技术架构、安装配置、使用成本、功能覆盖、社区生态到适用场景,全面分析了二者的优劣势,为航天工程师和研究人员提供选型参考。Basilisk在性能和扩展性上表现突出,而STK在可视化与专业模块上更具优势。

weixin_30632089的博客 589

矿石生成(1)

这个提供了标准化的矿石放置配置模板简化了常见和稀有矿石的配置过程遵循了Minecraft原版的世界生成模式提高了代码的可读性和可维护性通过使用这个类,模组开发者可以更轻松地配置矿石的生成规则,而不需要每次都手动编写完整的放置修饰符列表。这种设计模式在原版Minecraft和其他大型模组中也很常见,是一种良好的编程实践。// 导入语句...// 字段和方法...包声明表明这个类位于luckymod模组的WorldGen包中,专门处理世界生成相关配置。导入语句。

qq_24992377的博客 137

[已OC]腾讯ieg实习 C++后台开发一面+二面+hr面

2022年秋招/春招/提前批/大厂面经整理(持续更新中~) [已OC]腾讯ieg实习 C++后台开发一面+二面+hr面 腾讯效率还是高,一周流程搞完,不过短时间高强度背面经也实属难受 之前没怎么准备,全靠在疯狂刷面经才侥幸拿到offer,现在来回馈一波社会 4.08 一面 30min 腾讯视频 总体比较基础,大概就是八股那一套,时间隔的也比较久了有点记不清楚 1.自我介绍 2.操作系统基础(线程与进程,进程间通信的方式) 3.C++(多态的概念,虚函数的实现原理,vector的底层原理) 4.计网(poll

资料qun832218493 655

MicroCap声学仿真介绍(五)-倒相管扬声器系统仿真

实际倒相管的扬声器单体选择、后腔容积、倒相管的直径和长度都是需要精心挑选的,为了便于演示,随意指定了倒相管的长度和直径,现实中还是不能这么随便的。之前介绍了封闭式扬声器的仿真,今天在封闭式扬声器的基础上,再介绍一下倒相管扬声器系统的仿真。

山无忧的博客 1723

腾讯二面真题:DeepSeek对MoE架构做了哪些改进?

最近春招和实习已开启了。不同以往的是,当前职场环境已不再是那个双向奔赴时代了。求职者在变多,HC 在变少,岗位要求还更高了。最近,我们又陆续整理了很多大厂的面试题,帮助一些球友解惑答疑,分享技术面试中的那些弯弯绕绕。。金三银四春招季,又有两位同学斩获大模型offer!一个是40k某军实验室offer,另一个是第四范式~恭喜两位同学成功上岸!随着DeepSeek爆火,面试中也越来越高频出现,因此训练营也更新了DeepSeek系列技术的深入拆解。

m0_59596937的博客 1131

Windows下超详细安装Anaconda3以及jupyter notebook

1.下载Anaconda安装包 Anaconda官网网站:https://www.anaconda.com/products/individual下载安装包速度比较慢,国内小伙伴不建议尝试。 我们可以使用清华大学开源软件镜像站:清华大学开源软件镜像站:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/,请选择适合自己系统自行下载。 下载完成后如下图: 1.安装Anaconda安装包 1.打开安装包,点击Next 2.点击I Agre

m0_37957160的博客 3802

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

腾讯混元二面:大模型微调问的贼细~

人工智能大语言模型的 SFT(supervised fine-tuning)监督微调技术:标准 SFT 监督微调、LoRA 微调、AdaLora、Prefix-Tuning 微调、P-ytuning v2 微调、Freeze 监督微调等。

大模型教程的博客 1258

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

腾讯后台开发,2面技术+HR面,java业务场景面试题

其实在去腾讯之前,也是压根没想过会如此的顺利,仅仅7天就收到offer,及其迅速。而且大家应该都发现了,这次腾讯很是注重项目实战的经验,对于多线程、高并发、微服务、分布式、Spring相关等等之类也问的比较多,所以个人觉得除了这个项目实战,剩下的就是作死刷题,刷刷刷刷到地老天荒。

weixin_57485542的博客 1365

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")

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

腾讯音乐-后台开发-暑期实习一、二面面经

2022年秋招/春招/提前批/大厂面经整理(持续更新中~) 腾讯音乐-后台开发-暑期实习一、二面面经 一面 时间:7:00 pm-8:22 pm 自我介绍 然后问我两个项目: oRaft 协议的项目,问了比较久 如果外部一个客户端需要提交一个数据,什么时候返回成功?是大多数复制完成之后再返回? o因为项目的 Go 实现的,继续问了 Go 语言的特性,Go 调度器的实现了解过没有?协程如何调度的。 o毕设的文件系统: PMEM 的延时 调度算法 网络编程:多线程和多进程的程序写过没有,主要关心实战

资料qun832218493 575
上一篇: 今年的面试难度有点大。。。
下一篇: 6月,Java岗位爆了???
Java思维导图
博客等级 码龄10年 306粉丝 71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