Java经典面试题汇总（四）Java Web

让程序飞 让程序飞 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 779平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄10年
关注
原创 最新推荐文章于 2026-02-05 10:17:12 发布 779 阅读 AI 写同款· GEO 优化 ›
2020最新Java面试题(java，JavaWeb，数据库，框架)，常见面试题及答案汇总 1、面试题模块汇总 面试题包括以下十九个模块：Java 基础、容器、多线程、反射、对象拷贝、Java Web 模块、异常、网络、设计模式、Spring/Spring MVC、Spring Boot/Spring Cloud、Hibernate、Mybatis、RabbitMQ、Kafka、Zookeeper、MySql、Redis、JVM 。如下图所示： 可能对于初学者不需要后面的框架和 JVM... 阅读详情

本篇总结的是Java Web相关的面试题，后续会持续更新，希望我的分享可以帮助到正在备战面试的实习生或者已经工作的同行，如果发现错误还望大家多多包涵，不吝赐教，谢谢~

目录

1. JSP 和 servlet 有什么区别？

2. 什么是Tomcat？

3. Tomcat容器是如何创建Servlet类实例？用到了什么原理？

4. 拦截器和过滤器的区别?

5.说一下 JSP 的 4 种作用域？

6. JSP 有哪些内置对象？作用分别是什么？

7. Servlet的生命周期

8. session 和 cookie 有什么区别？

9. 说一下 session 的工作原理？

10. 如果客户端禁止 cookie 能实现 session 还能用吗?

11. JSP工作原理？

12. JSP中动态include和静态include的区别？

13、JSTL是什么？优点有哪些？

14. GET和POST的区别？

15. 什么是 XSS 攻击，如何避免？

16. 什么是 CSRF 攻击，如何避免？

1. JSP 和 servlet 有什么区别？

JSP 是 servlet 技术的扩展，本质上就是 servlet 的简易方式。servlet 和 JSP 最主要的不同点在于， servlet 的应用逻辑是在 Java 文件中，并且完全从表示层中的 html 里分离开来，而 JSP 的情况是 Java 和 html 可以组合成一个扩展名为 JSP 的文件。JSP 侧重于视图，servlet 主要用于控制逻辑。

2. 什么是Tomcat？

Tomcat是一个免费的Web应用服务器，Java编写的Web项目可以部署在上面，用户在客户端请求时，都是将请求发到Tomcat上，Tomcat在将请求发到对应的项目上。

3. Tomcat容器是如何创建Servlet类实例？用到了什么原理？

当容器启动时，会读取在webapps目录下所有的web应用中的web.xml文件，然后对xml文件进行解析，并读取servlet注册信息。然后，将每个应用中注册的servlet类都进行加载，并通过反射的方式实例化。（有时候也是在第一次请求时实例化）
在servlet注册时加上1如果为正数，则在一开始就实例化，如果不写或为负数，则第一次请求实例化。

4. 拦截器和过滤器的区别?

  • 拦截器是基于java的反射机制的，而过滤器是基于函数回调。
  • 拦截器不依赖与servlet容器，过滤器依赖与servlet容器。
  • 拦截器只能对action请求起作用，而过滤器则可以对几乎所有的请求起作用。
  • 拦截器可以访问action上下文、值栈里的对象，而过滤器不能访问。
  • 在action的生命周期中，拦截器可以多次被调用，而过滤器只能在容器初始化时被调用一次。

详解:  Spring 拦截器和过滤器的区别？

5.说一下 JSP 的 4 种作用域？

  • page：代表与一个页面相关的对象和属性。
  • request：代表与客户端发出的一个请求相关的对象和属性。一个请求可能跨越多个页面，涉及多个 Web 组件；需要在页面显示的临时数据可以置于此作用域。
  • session：代表与某个用户与服务器建立的一次会话相关的对象和属性。跟某个用户相关的数据应该放在用户自己的 session 中。
  • application：代表与整个 Web 应用程序相关的对象和属性，它实质上是跨越整个 Web 应用程序，包括多个页面、请求和会话的一个全局作用域。

6. JSP 有哪些内置对象？作用分别是什么？

JSP 有 9 大内置对象：

  • request：封装客户端的请求，其中包含来自 get 或 post 请求的参数；
  • response：封装服务器对客户端的响应；
  • pageContext：通过该对象可以获取其他对象；
  • session：封装用户会话的对象；
  • application：封装服务器运行环境的对象；
  • out：输出服务器响应的输出流对象；
  • config：Web 应用的配置对象；
  • page：JSP 页面本身（相当于 Java 程序中的 this）；
  • exception：封装页面抛出异常的对象。

7. Servlet的生命周期

servlet有良好的生存期的定义，包括加载和实例化、初始化、处理请求以及服务结束。这个生存期由javax.servlet.servlet接口中的init、service、destroy方法表达。

  • （1）加载和实例化
  • 当Servlet容器启动或客户端发送一个请求时，Servlet容器会查找内存中是否存在该Servlet实例，若存在，则直接读取该实例响应请求；如果不存在，就创建一个Servlet实例。
  • （2） 初始化
  • 实例化后，Servlet容器将调用Servlet的init()方法进行初始化（一些准备工作或资源预加载工作）。
  • （3）服务
  • 初始化后，Servlet处于能响应请求的就绪状态。当接收到客户端请求时，调用service()的方法处理客户端请求，HttpServlet的service()方法会根据不同的请求 转调不同的doXxx()方法。
  • （4）销毁
  • 当Servlet容器关闭时，Servlet实例也随时销毁。其间，Servlet容器会调用Servlet 的destroy()方法去判断该Servlet是否应当被释放（或回收资源）。
     

8. session 和 cookie 有什么区别？

  • 存储位置不同：session 存储在服务器端；cookie 存储在浏览器端。
  • 安全性不同：cookie 安全性一般，在浏览器存储，可以被伪造和修改。
  • 容量和个数限制：cookie 有容量限制，每个站点下的 cookie 也有个数限制。
  • 存储的多样性：session 可以存储在 Redis 中、数据库中、应用程序中；而 cookie 只能存储在浏览器中。

9. 说一下 session 的工作原理？

session 的工作原理是客户端登录完成之后，服务器会创建对应的 session，session 创建完之后， 会把 session 的 id 发送给客户端，客户端再存储到浏览器中。这样客户端每次访问服务器时，都会带着 sessionid， 服务器拿到 sessionid 之后，在内存找到与之对应的 session 这样就可以正常工作了。

10. 如果客户端禁止 cookie 能实现 session 还能用吗?

可以用，session 只是依赖 cookie 存储 sessionid，如果 cookie 被禁用了， 可以使用 url 中添加 sessionid 的方式保证 session 能正常使用。

11. JSP工作原理？

（1）当用户访问一个JSP页面时，会向一个Servlet容器（Tomcat）发出请求；

（2）如果是第一次请求页面，或页面有所改动，则servlet容器首先要把JSP页面（假设为test.jsp）转化为Servlet代码（test.java），再将其转化为（test.class文件）；因为这个过程（编译）会耗费一定时间，所以第一次访问或jsp文件有改动时，访问时间有些长；

（3）JSP容器负责调用从JSP转换来的servlet，这些servlet负责提供服务相应用户请求（比如客户端发送表单，要求servlet：formprocessor.java来处理，则容器会建立一个线程，调用formprocessor.java来处理该请求）；如果用户有多个请求，则容器会建立多个线程处理多个请求；

（4）容器执行字节码文件（包括调用的servlet：formprocessor.java字节吗），并将其结果返回到客户端；（返回的最终方式是由servlet输出html格式的文件流）

12. JSP中动态include和静态include的区别？

  • 静态include：语法：<%@ include file="文件名" %>，相当于复制，编辑时将对应的文件包含进来，当内容变化时，不会再一次对其编译，不易维护。
  • 动态include：语法：<jsp:include page="文件名">,能够自动检查被包含文件，当客户端对JSP文件进行请求时，会重新将对应的文件包含进来，进行实时的更新。

13、JSTL是什么？优点有哪些？

答：JSTL（JSP Standard Tag Library，JSP标准标签库）是一个不断完善的开放源代码的JSP标签库，由四个定制标记库（core、format、xml、sql）和一对通用标记库验证器（ScriptFreeTLV和PermittedTaglibsTLV）组成。

优点有：

  • 在应用程序服务器之间提供了一致的接口，最大程度的提高了web应用在各应用服务器之间的移植。
  • 简化了JSP和web应用程序的开发。
  • 以一种统一的方式减少了JSP中scriptlet代码数据，可以达到没有任何scriptlet代码的代码。在我们公司的项目中是不允许任何scriptlet出现在JSP中。
  • 允许JSP设计工具与web应用程序开发的进一步集成。相信不久就会有支持JSTL的IDE开发工具出现。

EL表达式详解

JSTL标签与EL表达式之间的微妙关系

14. GET和POST的区别？

POST和GET都是向服务器提交数据，并且都会从服务器获取数据。

1、传送方式：get通过地址栏传输，post通过报文传输。

2、传送长度：get参数有长度限制（受限于url长度），而post无限制

3、GET和POST还有一个重大区别，简单的说：

GET产生一个TCP数据包；POST产生两个TCP数据包

长的说：

对于GET方式的请求，浏览器会把http header和data一并发送出去，服务器响应200（返回数据）；

而对于POST，浏览器先发送header，服务器响应100 continue，浏览器再发送data，服务器响应200 ok（返回数据）。

建议：

1、get方式的安全性较Post方式要差些，包含机密信息的话，建议用Post数据提交方式；

2、在做数据查询时，建议用Get方式；而在做数据添加、修改或删除时，建议用Post方式；

15. 什么是 XSS 攻击，如何避免？

XSS 攻击：即跨站脚本攻击，它是 Web 程序中常见的漏洞。原理是攻击者往 Web 页面里插入恶意的脚本代码（css 代码、Javascript 代码等），当用户浏览该页面时，嵌入其中的脚本代码会被执行，从而达到恶意攻击用户的目的，如盗取用户 cookie、破坏页面结构、重定向到其他网站等。 预防 XSS 的核心是必须对输入的数据做过滤处理。

16. 什么是 CSRF 攻击，如何避免？

CSRF：Cross-Site Request Forgery（中文：跨站请求伪造），可以理解为攻击者盗用了你的身份，以你的名义发送恶意请求，比如：以你名义发送邮件、发消息、购买商品，虚拟货币转账等。 防御手段： 验证请求来源地址； 关键操作添加验证码； 在请求地址添加 token 并验证。

收录于
面试

当前文章被收录于：

面试
13 篇文章 10 人学习

面试界的葵花宝典，Java基础及核心技术，常用框架和中间件面试题，助你快速上岸

订阅专栏 查看详情
标签
#java #web #面试 #新星计划
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
2022最新网络安全岗面试题汇总（附答案解析） 网络安全各个方向涉及的面试题，星数越多代表问题出现的几率越大，祝各位都能找到满意的工作 阅读详情

相关推荐

2021高频常见200+Java面试题汇总（附答案解析）

前言 金三银四已经来了，有好多小伙伴都在问有没有整理一些去年的一些面试题，最近抽时间整理了一份Java面试题。或许这份面试题还不足以囊括所有 Java 问题，但有了它，我相信足以应对目前市面上绝大部分的 Java 面试了，因为这篇文章不论是从深度还是广度上来讲，都已经囊括了非常多的知识点了。 这份面试题的包含的模块分为19个模块，分别是： Java 基础、容器、多线程、反射、对象拷贝、Java Web 、异常、网络、设计模式、Spring/Spring MVC、Spring Boot/Spring

Java6888的博客 1857

Action的生命周期中，拦截器能多次调用，而过滤器只能在容器初始化时被调用一次。如何去理解？

在Action的生命周期中，拦截器可以多次被调用，而过滤器只能在容器初始化时被调用一次。

wusb5的博客 714

Java Web 33道面试题汇总

jsp 本质上就是一个Servlet，它是 Servlet 的一种特殊形式（由 SUN 公司推出），每个 jsp 页面都是一个servlet实例。Servlet 是由 Java 提供用于开发 web 服务器应用程序的一个组件，运行在服务端，由 servlet 容器管理，用来生成动态内容。一个 servlet 实例是实现了特殊接口 Servlet 的 Java 类，所有自定义的 servlet 均必须实现 Servlet 接口。*区别：*jsp 是 html 页面中内嵌的Java 代码，侧重页面显示；

Java全能学习+面试指南 575

面试篇-一文读懂Java中的过滤器和拦截器：实例详解，逐步掌握

需要注意的是，在实现拦截器时，可以根据自己的需求来选择哪些方法需要重写，以实现精细化的拦截处理。同时，在preHandle()方法中，需要返回一个boolean类型的结果来指示是否继续执行后续的拦截器和控制器方法，如果返回false，则请求将被停止并不再继续执行。过滤器和拦截器都可以对请求进行处理和控制，实现一系列的功能，例如请求过滤、身份验证、数据加密、日志记录等。过滤器主要用于对请求进行预处理和过滤操作，而拦截器主要用于对请求进行拦截处理，在控制器方法执行之前或之后进行拦截和处理。

Hanko的专栏 787

Java经典面试题汇总

10、抽象的(abstract)方法是否可同时是静态的(static),是否可同时是本地方法(native)，是否可同时被synchronized修饰?13、当一个线程进入某个对象的一个synchronized的实例方法后，其它线程是否可进入此对象的其它方法?28、假设把实例化的数组的变量当成方法参数，当方法执行的时候改变了数组内的元素，那么在方法外，数组元素有发生改变吗?每种方法的实现原理是什么?23、Java中的方法覆盖(Overriding)和方法重载(Overloading)是什么意思?...

老王随聊 905

从时序精度到视觉盛宴：PY32F030驱动WS2812的工程艺术与避坑指南

本文深入探讨了基于PY32F030微控制器驱动WS2812智能LED的完整解决方案。通过精确的时序控制、硬件PWM结合DMA传输技术，实现了稳定可靠的驱动效果，并提供了电源管理、信号完整性和常见问题排查等实用避坑指南，帮助开发者轻松应对严格的纳秒级时序挑战。

wind6的博客 120

【SpringMVC笔记】拦截器 ，Java面试题合集

<mvc:mapping path="/**"/> </mvc:interceptor> </mvc:interceptors> 编写一个 Controller，接收请求： package com.yusael.controller; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.Rest..

m0_64867152的博客 597

纯JS实现SM3加密算法（兼容IE浏览器）

纯JS实现SM3加密，IE、谷歌、火狐等浏览器可以直接使用。

qianpou的博客 7348

JAVA面试题汇总其一

声明方法的存在而不去实现它的类被叫做抽象类（abstract class），它用于要创建一个体现某些基本行为的类，并为该类声明方法，但不能在该类中实现该类的情况。不能创建 abstract 类的实例。然而可以创建一个变量，其类型是一个抽象类，并让它指向具体子类的一个实例。不能有抽象构造函数或抽象静态方法。Abstract 类的子类为它们父类中的所有抽象方法提供实现，否则它们也是抽象类为。取而代之，在子类中实现该方法。知道其行为的其它类可以在类中实现这些方法。接口（interface）是抽象类的变体。

我有故人折剑去，斩尽春风不曾归 2530

基于PaddleX的垃圾分类识别

基于PaddleX的智能垃圾分类识别项目，使用百度开源的PaddlePaddle深度学习框架，结合PaddleX开发套件，实现对垃圾分类的识别检测

Mefishes的博客 8118

华为OD机考2025C卷 - 高矮个子排队（Java & Python& JS & C++ & C)

华为OD机考2025C卷 - 高矮个子排队。提供在线OJ刷题。Java、C++、Python、C语言、JavaScript题解，并提供完整思路讲解。

算法大师！ 1680

拦截器与过滤器

一、拦截器与过滤器的区别： 1、拦截器基于java反射，过滤器基于函数回调 2、拦截器不依赖servlet容器，过滤器依赖servlet容器 3、拦截器只能对action请求拦截，过滤器对所有请求拦截 4、拦截器可以访问action上下文、值栈里的对象，而过滤器不能访问。 5、在action的生命周期中，拦截器可以多次被调用，而过滤器只能在容器初始化时被调用一次。 6、拦截器可以获取IOC容器中...

清华大咖 197

【C#程序员入门AI】AI应用的操作系统：Semantic Kernel 2026实战

用户ID用户信息

人工智能AI技术 1247

Java经典面试题汇总200道

超详细的Java知识点汇总 Java经典面试题汇总Java 基础1. JDK 和 JRE 有什么区别？2. == 和 equals 的区别是什么？3. 两个对象的 hashCode()相同，则 equals()也一定为 true，对吗？4. final 在 java 中有什么作用？5. java 中的 Math.round(-1.5) 等于多少？6. String 属于基础的数据类型吗？7. java 中操作字符串都有哪些类？它们之间有什么区别？8. String str="i"与 String str=

恒哥的博客 7144

股票价格预测的秘密武器：用C#实现蒙特卡洛路径模拟，轻松掌握市场波动规律！

摘要： 蒙特卡洛模拟是股票预测的有效工具，通过随机抽样模拟价格路径，克服传统技术分析的局限性。其核心模型是几何布朗运动（GBM），描述股价随机变化过程。C#实现的关键步骤包括：1）获取输入参数；2）生成随机数路径；3）分析结果。该方法不预测具体价格，而是提供可能的价格范围，帮助投资者评估风险。代码结构清晰，分为输入、模拟、分析和可视化四个模块，通过参数封装提高可读性，适用于不确定市场的概率预测。

墨夶的博客 599

使用R语言实战：构建Logistic回归模型

Logistic回归是一种基于概率的分类算法，它用于预测离散的结果变量（也称为响应变量或因变量）。与线性回归不同，Logistic回归的输出是一个概率值，通常在0和1之间。这使得它非常适合处理二分类问题。市场营销：预测客户是否会购买某个产品。医学研究：预测疾病的发生与否。信用风险评估：预测个人申请贷款的违约风险。社会科学：预测个人对某个政策的态度。

2301_79331230的博客 1139

Java面试题汇总与解答

2018最新Java面试题整理(持续完善中…) 声明：面试题（无参考答案）收集自公众号服务端思维，本人抱着学习的态度网上找了下参考答案，有不足的地方还请指正，谢谢~ 2018最新Java面试题整理(持续完善中…) 基础篇 基本功 面向对象特征 final, finally, finalize 的区别 int 和 Integer 有什么区别 重载和重写的区别 抽象类和接口有什么区别 ...

时间不会驻留，人生不会重来。 6万+

一篇文章带你搞定数学建模中的线性回归模型（05年长江水质问题示例讲解含代码）

文章目录一、问题分析二、原理讲解三、MATLAB 实现线性回归模型 一、问题分析 根据你的预测分析，如果未来10年内每年都要求长江干流的Ⅳ类和Ⅴ类水的比例控制在20%以内，且没有劣Ⅴ类水,那么每年需要处理多少污水 为了达到题目中所要求的水质，可建立废水排放量与各类水百分比之间的二元线性回归模型，对未来十年的废水排放量进行预测，并确定其与各类水所占百分比之间的函数关系式。通过此关系式，可以计算在这种情况下长江所能承受的最大污水排放量，将这个排放量与预测的排放量进行比较，多出来的部分就是需要每年处理掉的。 二、

南淮北安的博客 2164

2020最新Java常见面试题及答案

Java最新常见面试题 + 答案汇总 1、面试题模块汇总 面试题包括以下十九个模块：Java 基础、容器、多线程、反射、对象拷贝、Java Web 模块、异常、网络、设计模式、Spring/Spring MVC、Spring Boot/Spring Cloud、Hibernate、Mybatis、RabbitMQ、Kafka、Zookeeper、MySql、Redis、JVM 。如下图所示： 可...

wu的BLOG的博客 5万+

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

腾讯校园招聘历年经典面试题汇总：前端

这个系列计划收集几百份朋友和读者的面经，作者合集方便查看，各位有面经屯着可以联系我哦 这个系列离结束差的还特别多，会更新涵盖所有一线大厂的所有岗位，也可以关注一下。 腾讯校招历年经典面试汇总：C++研发岗 今日头条校园招聘历年经典面试题汇总：C++研发岗 京东&华为 Java开发历年经典题汇总 百度校招历年经典面试题汇总：Java开发岗 百度校园招聘历年经典面试题汇总：C++研发岗 最容易进的大厂工作，百度经典百题 超经典，百度最爱考的安卓Android百题 超经典，阿...

少说，多做。 8275

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

最新Java面试题，常见面试题及答案汇总

154.kafka 同时设置了 7 天和 10G 清除数据，到第五天的时候消息达到了 10G，这个时候 kafka 将如何处理？165.一张自增表里面总共有 7 条数据，删除了最后 2 条数据，重启 mysql 数据库，又插入了一条数据，此时 id 是几？3.两个对象的 hashCode()相同，则 equals()也一定为 true，对吗？29.在 Queue 中 poll()和 remove()有什么区别？46.线程池中 submit()和 execute()方法有什么区别？

m0_74825718的博客 1157

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

2024年最全Java面试题，及答案汇总！

123.在 hibernate 中 getCurrentSession 和 openSession 的区别是什么？118.在 hibernate 中使用 Integer 和 int 做映射有什么区别？29.在 Queue 中 poll()和 remove()有什么区别？46.线程池中 submit()和 execute()方法有什么区别？53.synchronized 和 volatile 的区别是什么？25.ArrayList 和 LinkedList 的区别是什么？

m0_74823507的博客 7226

Java 面试题及答案整理（2025 年金三银四最新版）

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 924

Java经典面试题

这份面试题，包含的内容了十九个模块：Java 基础、容器、多线程、反射、对象拷贝、Java Web 模块、异常、网络、设计模式、Spring/Spring MVC、Spring Boot/Spring Cloud、Hibernate、Mybatis、RabbitMQ、Kafka、Zookeeper、MySql、Redis、JVM。下面一起来看 208 道面试题，具体的内容。以下是网上整理的非常全面的面试题，当然，绝大多数人不可能全部用到，但是都罗列在此，大家可根据自己的情况，选择对应的模块进行阅读。

2401_87878486的博客 1331

Java Web面试题及答案整理（2021年最新版，持续更新）

大家好！听说有很多java学习者在找有关java的面试题集，听到这个消息我来了！ 下面是我为大家整理的2021最新的Java面试题及答案下载，这套Java面试题汇总了Java基础面试到高级Java面试题，几乎涵盖了作为一个Java程序员在面试中需要掌握或者可能被问到的绝大部分知识点。 适宜阅读人群 需要面试的初/中/高级 java 程序员 想要查漏补缺的人 想要不断完善和扩充自己 Java 技术栈的人 Java 面试官 更多2021最新Java面试题全部答案及Ja

java8797的博客 3903
上一篇： Java经典面试题汇总（三）异常
下一篇： Java经典面试题汇总（五）网络编程
点赞 10
评论 28
书签 书签 11
让程序飞
让程序飞
博客等级 码龄10年 8830粉丝 99原创
+ 关注 专栏目录 订阅专栏
评论 28
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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

打赏作者

让程序飞

您的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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