4年Java经验面试总结(妥妥的精华)

讲真,一位8 年 Java 经验大牛的面试总结,你照猫画虎还怕收不到offer? 个人情况 坐标魔都,15 年本科毕业于普通一本,毕业后就职于一家传统电信公司,17 年后就职于美团点评指导现在 面试情况 相比于 17 年,由于有了美团的背景,今年在简历这关顺利了很多,不得不感叹大厂背景真香。 本着尽量少请假的原因,所以面试的公司比较少,只面了 3 家:阿里、网易、拼多多。 3 家公司都走完了面试流程,最后拿到了阿里和拼多多的 offer,自己还是比较满意的。 至于网易挂掉的原因,具体原因不是很清楚,面试发挥的还行,BOSS 面的时候可以看出对我还是比较满意,但最终没有收到 o 阅读详情

由于个人发展的原因和工作上的变动,产生了想出来看看机会的想法。经过了一段时间的准备,5 月下旬开始出来面试,面到了 7 月上旬,如愿拿到了自己心仪公司的 offer。按照自己的习惯,将这次面试过程中的一些经验总结、心得体会记录下来,自己留个记录,也希望可以帮助到一些同学。

另外,在两年前第一次跳槽的时候也将当时的心得体会记录了下来,这边放个传送门:两年Java开发工作经验面试总结

4 年经验应该具备哪些技能

首先,简单的聊一下我认为的 4 年经验左右、优秀的 Java 程序员应该具备的技能有哪些,按“专业技能”和“项目”两块,包括但不限于以下内容。

专业节能方面

  • 基础:JDK 常用类的原理、源码、使用场景。
  • 设计模式:常用几种的原理、使用场景,单例、动态代理、模板、责任链等。
  • 数据结构:数组、链表、栈、队列、树。
  • 网络:TCP、HTTP、HTTPS、负载均衡算法。
  • 框架:Spring IoC 原理、Spring AOP 原理和使用、Spring 常用的扩展点、MyBatis 的核心流程。
  • 中间件:常用中间件的核心原理与最佳实践,并对其中的 1 到 2 个有深入的学习,Redis、Kafka(RocketMQ、RabbitMQ)、Dubbo、Zookeeper。
  • 数据库(MySQL):索引原理、隔离级别、锁机制、分库分表、慢 SQL 定位及优化、线上问题解决。
  • Netty:NIO 原理、核心组件、I/O 多路复用(epoll)、零拷贝。
  • JVM:运行时数据区、垃圾回收算法、垃圾回收器(CMS、G1)、常用配置参数、线上问题定位及解决。
  • 稳定性保障:隔离、限流、熔断、降级等。
  • Linux:基本命令的使用、快速定位和排查问题。
  • 分布式理论:CAP、BASE、2PC、3PC、TCC。

项目方面

  • 能独立完成一个复杂模块的需求分析、方案设计和最终落地实现。
  • 能不断思考,寻找更优的设计和解决方案,积极优化慢 SQL、慢服务。
  • 具备排查问题的能力,遇到线上问题能及时定位和修复上线,例如:数据库死锁、服务器宕机、服务器 Full GC 频繁等。
  • 具备难题攻关的能力,能不断解决项目遇到的挑战,能给予初级工程师技术上的指导。
  • 初步具备带领团队(1-3人左右)的能力,能合理分配需求,做好进度把控、风险评估、Code Review。

严格来说,要完全做到上面这些有点难,我自己也并不具备,但是,我们可以将其视为目标,不断去努力。

面试常见形式

大厂面试通常是“连环炮”的形式,举个栗子:

面试官:用过哪些 Map

我:LinkedHashMap、ConcurrentHashMap、HashMap、TreeMap

面试官:这四种 Map 的区别

我:ConcurrentHashMap 线程安全,LinkedHashMap 可以记录插入顺序和访问顺序,TreeMap 可以自定义排序,除了这几个场景,其他场景基本都可以使用 HashMap

面试官:ConcurrentHashMap 怎么保证线程安全

我:JDK 1.8 以前通过分段锁,JDK 1.8 以后通过 CAS + Synchronized

面试官:ConcurrentHashMap 在 JDK 1.8 前后的锁有什么区别

我:JDK 1.8 以前锁分段,JDK 1.8 以后锁单个节点,锁粒度降低,并发度变高

面试官:#%¥%……#%¥

我:喵喵喵~

这种模式的问法,其实就是想了解候选人对一个知识点的理解是仅仅停留在表面,还是真的去深入研究过。

面试内容

下面介绍下一些常见的面试内容,其中的面试题不一定是我真实遇到的,有可能是从别人的面试题中收集的,也有可能是我自己觉得重要的知识点,仅供参考。

1、项目

项目对于一个 3 - 5 年经验的开发来说是非常重要的,面试官也非常看重这一块。这个经验的开发基本是各大公司的编码主力,因此面试这个年限的候选人,通常项目是很重要的一块。面试官通常会让你先自己介绍下自己参与度最高(或者最牛逼)的项目,然后从中进行提问。常见的如以下:

  • 介绍下你参与度最高的项目
  • 画下项目的架构图
  • 如果核心流程处理到一半,服务器崩溃了,会怎么处理
  • 项目中遇到过哪些挑战或问题,怎么解决的
  • 项目的稳定性和可用性怎么保障
  • 数据安全这块怎么设计
  • 项目的技术选型,为什么选这些
  • ...

2、场景题

越到后面的面试官,越喜欢问场景题,场景题比较考验候选人平时的积累和解决问题能力。这个环节很容易挂掉一批人,特别是容易紧张的同学,很容易脑子会一片空白。场景题的核心一般是处理大数据量的问题、解决性能方面的问题。

场景题本质上是比较开放的,没有什么标准答案,只要自己的方案能够解决问题,能够“自圆其说”就行。

这个环节面试官可能会将线上真实的场景拿出来提问,我自己就遇到过。

3、专业技能

集合

  • 经常用到哪些 Map
  • 这几种 Map 的区别
  • CocurrentHashMap 怎么保证线程安全
  • CocurrentHashMap 在 JDK 1.8 前后的锁有什么区别
  • 聊下 HashMap 的原理
  • HashMap 在 Put 时,新链表节点是放在头部还是尾部
  • HashMap 扩容时的流程
  • HashMap 在 JDK 1.8 有什么改变
  • CocurrentHashMap 在 JDK 1.8 有什么改变
  • TreeMap 的原理
  • Map、List、Set 分别说下你知道的线程安全类和线程不安全的类

多线程、锁

  • 线程池使用的是哪种
  • 线程池参数怎么配置
  • 线程池各个参数的作用
  • 线程池的参数配置要注意什么
  • 线程池的工作流程
  • JDK 中的并发类知道哪些
  • AQS 的底层原理
  • 介绍下悲观锁和乐观锁
  • 使用过哪些锁
  • synchronized 和 Lock 的区别、使用场景
  • synchronized 原理
  • synchronized 作用于静态方法、普通方法、this、Lock.class 的区别
  • 为什么引入偏向锁、轻量级锁,介绍下升级流程
  • 死锁的必要条件,如何预防死锁
  • 介绍下 CountDownLatch 和 CyclicBarrier
  • 介绍下 CAS,存在什么问题
  • 介绍下 ThreadLocal,存在什么问题

一些经验心得

  1. 先挑几个小公司找下面试感觉,太久没面,需要找找面试的感觉,我自己一开始就面的不太好,就很慌张 。
  2. 面试时紧张是正常的,但是不要过于紧张,如果面试官问完你大脑瞬间一片空白,你可以跟面试官说自己要思考下,然后回答的时候语速可以慢点,但是要条理清晰。
  3. 在面试的过程中回答面试官问题是一方面;另一方面,你要在回答的过程中让面试官感受到你身上一些优秀的特质,例如:有潜力、很灵活、热爱学习、学习能力强、解决问题能力强、基础扎实等等。这些特质都会影响面试官对你的评价。
  4. 平时项目中遇到难题要积极去解决,解决问题的过程能让人快速成长,并且解决的问题可能会成为你面试时的亮点,特别是对于那些项目没什么亮点的。
  5. 准备项目时,挑几个自己做过最牛逼的功能、或者解决过最有挑战的问题,并且要对这些内容理解的非常透彻,不能在给面试官介绍的时候“支支吾吾”。
  6. 框架也好、中间件也好,必须要有几个特别深入研究过的,也就是说你除了“广度”之外,还必须在某些方面有足够的“深度”。面试时经常碰到的问题是:你对哪个框架或中间件理解的最深。然后面试官会在这个方向上一直问下去,如果你很多东西只是看了个大概,在这边就很有可能会被问倒。
  7. 自己讲出来的每个功能点、知识点,都要做好“被挑战”的心里准备,因此对于每个功能点、知识点都要多思考。
  8. 如果问的问题是线上实际的场景,有时候面试官会给出他们当前线上的解决方案,如果你能在这个时候给出一些自己的思考和观点,可能会给面试官留下不错的印象。
  9. 判断自己是否已经准备好的一个比较简单粗暴的方法:自己是否能将看到的面试题回答个 9 成左右,例如本文上面“专业技能”列举的这些题目。
  10. 如果你是真想跳槽,或者说你已经裸辞了,那么在收到电子 offer 前都不要停止面试,即使收到口头 offer 也不稳,特别是在这个寒冬。
  11. 在平时工作中多思考,无论是写代码还是方案设计,多思考更优的解决方案。特别是工作年限越久之后,思考对于我们的职业发展越重要。
  12. 面试前的准备非常重要,但更重要的是平时工作的积累,4 年经验问的问题很多是无法通过临时准备的,很多都是需要你不断去积累,才能有好的方案。
  13. 专注于自身的成长,不要轻易受到别人的影响,只要你不断的积累,总有一天你也能成为你眼中的那些大神。
  14. 学如逆水行舟,不进则退。不要停下学习的脚步,特别是趁着自己还年轻,趁着自己还是个单身狗的时候,逼自己一把,将来的你一定会感激现在拼命的自己。
  15. 程序员是一份很单纯的工作,不需要搞什么花里胡哨的,只要你付出努力了,你通常就能收获回报。
  16. 对于没有大厂背景,并且处于传统行业(就如 2 年前的我),想直接进入大厂比较难,除非你像我一样踩了狗屎运,但是这种几率不大,我觉得比较现实的途径是先找一个互联网独角兽沉淀一段时间。
  17. 大公司的部门非常多,各部门的招聘通常都是独立的,如果想进大公司可以多投,每个部门的需求紧张度不同,如果碰到急需招人的,可能就是一个非常好的机会。
  18. 大公司的面试通常会有存档,面试官可能会看到你之前的面试评价。如果你经常一轮游,肯定会给面试官不好的印象。因此请做好准备再去面试,不要轻易浪费机会。 

 我这还有一些关于面试的题目以及答案如有需要的小伙伴可以私信我

GitHub置顶半个月,78w字百亿级并发设计(全彩PDF),竟出自京东 想要设计一个高并发的系统,就要从根源出发。为什么会有高并发?高并发又有哪些厉害之处呢?其实很简单,刚开始系统都是连接数据库的,但是数据库在支撑到每秒并发两三千上万的时候,很多系统是支撑不住的。因此很多公司刚开始做的时候,技术如果不是很好,业务又发展太快,就有可能导致系统无法承受压力,发生宕机的情况,因此需要设计一个高并发的系统。​​。 阅读详情

相关推荐

Java高并发编程详解深入理解pdf,【工作感悟】

简单来说,Postwoman是一个Postman的免费、快速且美观的替代方案,它的设计初衷是为了帮助开发人员更快地创建请求,节省宝贵的开发时间,提升工作效率。并且Postwoman是开源产品,界面美观,更容易使用!PS: 下述两张图,是在Postwoman官网截取的两张图。使用操作和Postman基本一致,如果你从Postman迁移过来,基本上没有什么学习成本。

m0_54816834的博客 1158

行业寒冬:为什么数据库会丢失数据?写的太详细了

前言 很多Java程序员一直希望找到一份完整的学习路径,但是市面上很多书都是专注某一个领域的,没有一份完整的大图,以至于很多程序员很迷茫,不知道自己到底应该从哪里开始学,或者不知道自己学习些什么。 好在,很早之前就有一位阿里巴巴的技术专家总结了一份**《Java工程师成神之路》**,作者按照自己的经验总结了从基础,到高级、底层、架构、进阶、扩展等6个大的章节。几乎囊括了Java体系内的所有知识点。 这份资料之前开源在GitHub上,短短几个月时间,收获了15k+的Star数,最近,笔者了解到,该项目有了重大

604

946页“JAVA高级架构必问面试精华”,金九银十社招全拿下

前言 我本科毕业后在老东家干了两年多,老东家算是一家”小公司”(毕竟这年头没有 BAT 或 TMD 的 title 都不好意思报出身),毕业这两年多我也没有在大厂待过,因此找坑的时候是非常非常虚的。迫于心慌,我好好思考了一阵来给自己打气,当时真正找坑和准备面试的过程大概分为这几个阶段: 面试准备 反思:自己是不是真的要离职,假如不离职,在老东家接下来应该做什么才能继续提升? 定位:我在硬性技能(编码、架构)上的长处在哪?我在软技能(沟通,团队)上的长处在哪?这步顺带写了简历 面试准备:我自己从Java核心

Java_Pluto的博客 3808

阿里P9整理分享的亿级流量Java高并发与网络编程实战PDF

有人调侃我们说:这些其实都是初级程序员面临的困境,当你提高自身能力,登上更高的层级之后,无论薪资还是发展都会有很大的提升。那么问题来了,怎么才能度过初级程序员的瓶颈,进阶成为高薪工程师呢?为了帮助初级开发者快速掌握高并发、网络编程、微服务、海量数据的处理这些实用技术,本文以“理论+范例”的形式对各个知识点进行了详细的讲解,力争让读者在实践中快速掌握相关知识。为了让有java、数据库和web基础的学生,初、中级java开发人员,想学习高并发或互联网新技术的java高级程序员、互联网架构师等,能够学习和巩固这些

Huangjiazhen711的博客 1907

开发10年,面试300人,想进阿里的大牛总结出,java面试69题

基础题目 Java线程的状态 进程和线程的区别,进程间如何通讯,线程间如何通讯 HashMap的数据结构是什么?如何实现的。和HashTable,ConcurrentHashMap的区别 Cookie和Session的区别 索引有什么用?如何建索引? ArrayList是如何实现的,ArrayList和LinkedList的区别?ArrayList如何实现扩容。 equals方法实现...

我是月亮呀的博客 1354

《高并发网站与分布式缓存Redis与开发实战》3.0.pdf

《高并发网站与分布式缓存Redis与开发实战》3.0.pdf c#

5年经验Java程序员面试20天,拿下数个offer,总结出的经验感想!

写在前面 今天分享的是一位5年工作经验的Java工程师在帝都的面试经验总结,看看这些互联网公司都爱问些什么题,希望对大家的面试有指导意义。 从事Java开发也有5年经验了,4月初自己的开启面试经历之旅,前后20天左右,主面互联网公司,一二线大公司或者是融资中的创业公司都面试过,拿了一些offer,其中包括奇虎360等 首先不同面试官面试风格一定不同,这里是我总结这些天面试Java开发过程中的大...

java专栏的博客 4942

【CarMaker实战指南】从零构建环形测试场景与车辆连续仿真

本文详细介绍了如何使用CarMaker软件从零构建环形测试场景与实现车辆连续仿真。通过分步指导搭建闭环道路、连接交叉路口、规划车辆轨迹等核心操作,帮助用户掌握CarMaker的基础应用技巧,并提供了常见问题排查与进阶优化建议,适用于车辆耐久性测试和自动驾驶算法验证等场景。

weixin_29274969的博客 236

JAVA面试常见问题记录(2-5年经验)

你认为你JAVA开发中遇到的比较难的问题是什么? 分布式事务TCC怎么实现的? 单点登录是怎么搞的? sychoronized是怎么实现的? 线程池常用参数是什么? 为什么要分库分表,使用场景是什么? ...

m0_63270506的博客 3961

SRE校招面试全攻略:从基础理论到实战场景解析

本文为SRE(站点可靠性工程)校招面试提供全面攻略,涵盖计算机基础、运维核心技能、场景设计与系统架构等关键模块。文章结合真实面试真题,解析了从Linux原理、网络协议到容器化、监控告警等实战考点,并分享了高可用设计、故障排查等工程思维,旨在帮助应届生夯实基础、理清思路,从容应对SRE校招挑战。

bush的博客 644

AD56XXR系列DAC驱动设计:SPI接口、寄存器配置与嵌入式工程实践

数模转换器(DAC)是嵌入式系统实现高精度模拟控制的核心器件,其性能取决于通信协议可靠性、寄存器配置准确性及硬件协同设计能力。基于SPI总线的电压输出型DAC广泛应用于工业控制、光模块偏置、传感器校准等场景,需兼顾静态精度、动态响应与低功耗特性。AD56XXR系列作为典型集成内部基准与多通道同步更新能力的12/14/16位DAC,支持轨到轨输出与灵活掉电模式,为资源受限MCU提供可移植固件范式。本文围绕SPI时序约束、16位指令字解析、LDAC同步机制及精度补偿策略展开,覆盖从硬件连接、初始化流程到量产级可

weixin_33481022的博客 612

2021春招Java面试题大全(精华)

前言 本人也刚刚参加完秋招,一直打算把在秋招中遇到的面试常考点做一个总结,但是一直都没着手????。近期,好多朋友都在问我关于秋招春招的事,我也刚好闲来没事,就收集了网上各大博客的精华,并且结合自己所学和理解做了一些简单的整理,希望可以帮助到现在正在春招的朋友们。(大多数知识点是建立在已经学习过大致了解的基础上才能看懂,如果没有学习过可能不太好理解) 根据个人理解总结!仅供参考!欢迎纠错! 2021春招Java面试题大全(精华一) 持续更新中>>> ...

菜鸟琪 8299

3D点云修复实战:用PCN网络快速补全缺失的激光雷达数据(附代码)

本文详细介绍了PCN(Point Completion Network)网络在3D点云修复领域的实战应用。针对激光雷达数据常见的缺失问题,PCN通过端到端的深度学习架构,直接处理原始点云,实现由粗到精的快速补全。文章深入解析了其核心思想与编码器-解码器架构,并提供了完整的环境搭建、数据准备、模型实现、训练评估及在真实场景下的优化策略与代码示例,为自动驾驶、机器人等领域的开发者提供了高效的数据修复解决方案。

weixin_29041195的博客 393

java三年工作经验面试题整理《精华》

springboot启动原理,Spring传播行为,Nacos的高可用特性,jvm调优

weixin_43552549的博客 6776

生信入门第七课:使用FastQC软件进行测序原始fastq数据质控

从实验到数据:RNA定量、文库片段长度、fastqc质控和fastp去接头

微生信 493

【AI Agent】Hermes Agent解析

Hermes Agent:一个具备持久化学习能力的开源AI Agent框架 核心特点: 突破传统Agent的"无状态困境",通过记忆系统(SQLite+FTS5全文检索)实现跨会话经验积累 支持200+模型自由切换,11种模型家族和15+平台接入 五层架构设计(入口层、编排层、推理层、工具执行层、存储层)实现平台无关性 47+内置工具和动态技能沉淀机制,支持从任务执行中自动提炼可复用Skill 独特的四层记忆体系(会话/每日/长期/向量索引)和辩证式用户建模 与传统Agent对比: 具备自我进化能力,通过A

sysu_lluozh 977

坚持写了4年博客!我肝了4本面试官看了都眼红的Java学习文档

4 本 Java 学习文档的获取方式在文末,不想听我 BB 的,可以直接划到文末!01 开始写博客不知不觉,已经坚持写作 4 年多,输出了 200 多篇优质原创,全网收获了 20w+ 读...

程序员吴师兄的博客 312

Python 爬虫高级实战:HTTPS 证书忽略与代理抓包配置

本文深入解析了HTTPS加密与SSL证书校验机制在爬虫开发中的核心问题及解决方案。文章首先剖析了HTTPS协议架构和证书校验流程,指出爬虫开发中常见的证书异常场景及其负面影响。随后详细介绍了Python主流请求库(requests、httpx、aiohttp)的证书忽略配置方法,包括同步/异步模式下的实现方案。针对代理环境,文章系统比较了HTTP、HTTPS、SOCKS5等代理类型的特性差异,并提供了完整的代理配置示例。特别对中间人抓包场景,阐述了Mitmproxy的工作原理和配置要点。最后提出了工程级爬虫

2503_91057718的博客 88

5年Java经验字节社招:半月3次面试,面试官版java面试小册

本人面试腾讯,阿里,百度等企业总结下来的面试经历,都是真实的,分享给大家!

2301_82257317的博客 753

开源工具对比:5款主流大数据脱敏框架评测

数据脱敏(Data Masking/Anonymization),也称为数据漂白、数据去标识化,是指在不影响数据可用性的前提下,通过一定的技术手段对敏感信息进行处理,使其无法被识别或关联到具体个人或实体的过程。当应用程序向数据库写入数据(INSERT/UPDATE)时,ShardingSphere 会拦截 SQL,对配置了脱敏规则的字段,使用指定的算法进行加密/脱敏处理,然后将处理后的数据写入到。如果你的答案是“是”,那么数据脱敏,尤其是针对海量数据的。好的,各位技术同仁,数据安全领域的探索者们,大家好。

小程序开发 1185

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

【吐血整理】年度盘点 | 2019年Java面试题汇总篇——附答案

在这岁月更替辞旧迎新的时刻,老王盘点了一下自己 2019 年发布的所有文章,意外的发现关于「Java面试」的主题文章,竟然发布了 52 篇,几乎是全年每周一篇面试文章的节奏,当然其中有不少的面试题来源于网络,但这些面试题都是经过我细心甄选的经典内容,只有我觉着对读者可能有帮助的面试文章才会被我「搬运」发布,所以在这个特殊的日子,我决定把这些面试题做一个汇总,方便读者集中阅读和收藏保存,Java 面...

磊哥聊Java 5943

jre9下载 jdk9

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

2024年一套超详细Java面试精华资料,让进大厂少走弯路

在座的诸位有没有是自学Java的,有的话评论区给我扣个1看看但凡自学过的同学都知道有多难,虽说现在互联网非常发达,不明白的上网一搜就有很多资料,不过大多质量不高,而且非常碎片化,实在很难梳理成一个可持续成长的体系。所以有了这篇文章,我结合自身自学的经历与从事开发的经验,整理了一份切实可行的自学路线, 并且每一步都整理了相应的学习资料与练习资料,希望对自学的各位小伙伴能有所帮助,有需要面试资料的小伙伴点击文末下方传送门即可获取白嫖方式!!

知识分享官 944

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")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: 这些是Java架构师必知必会的技术(你会了嘛)
下一篇: 妥妥的干货!2022面试必备阿里Java性能优化精华笔记,我真的爱了呀
在酒吧写代码
博客等级 码龄7年 212粉丝 330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