广漂,有点忧伤又有点发光

一名2020年毕业于三本院校的IT专业学生,在疫情期间选择在广州租房并开始寻找工作。首场面试经历了一家中型外包公司的三轮考核,涉及技术与HR环节,分享了面试中关于redis雪崩及MySQL主从服务器处理等技术问题的解答心得。

简单介绍下自己好了,我是一个来自三本学校的2020应届毕业生;因为疫情也好转了,虽然学校没开学,但是我还是决定在广州租了间房子,然后开始找工作了。开学日期还未定,但是时间确实一点一点消耗着,有点安耐不住
在这里插入图片描述
第一家公司
在这里插入图片描述
面试的第一家,人事那一面的时候了解到这是一家外包公司,看规模算是一家中型的公司了,二十几个java,9个前端和3个php,如果有幸加入那么我将是第四个,其他的是人事还有其他的岗位

面试流程
面试总共是三轮,第一二轮都是面试技术,第三轮是hr面试;问的问题都是比较常见的,cookie,session。重点在于redis和mysql,问的是最多的;然后是线上项目的问题了

本人认为的闪光点
在这里插入图片描述
有个挺有成就感的就是,redis的时候问了我redis雪崩是什么,如何避免。这个问题之前在博客上看到有大佬写的不错,记忆挺深的,而且b站上也发了视频。
脑子没有乱,直接就道出雪崩的原因在于redis数据大批量的同时失效,访问直接来到数据层,会对数据库照成巨大压力。巴拉巴拉的教科书式的说了出来。666!!然后问道我主从服务器,两台MySQL服务器的读写要怎么处理,我又没了。。

面试过程个人感觉
在这里插入图片描述
面试过程感觉还可以,能答出挺多的,但是能不能通过还是另一回事。hr在问学校的时候还是特别的细,问我是学校全日制的吗a类还是b类,是高考考上去的吗。。。
这里面试总的来说挺享受的,面试过程持续了一个多小时,这种三轮面试给人确实是一种很好的感觉。面试官问的问题都很不错,我个人回答的也还行,以来二去感觉面试收获挺多的。与别人交流的时候我也感受到一直特别的吸引力,很神往。。。

写在最后
以前觉得北上广漂是存在电视剧或者小说里的,挺虚幻的,有点忧伤但又有点发光。但当我反应过来的时,发生在我身上的感受却是如此真实,生活不易,且行且珍惜
在这里插入图片描述

end~
### 视频动作识别 在日常生活的安防监控或者健身辅助等场景中,视频动作识别很有实用价值。CNN可以用于提取视频帧中的空间特征,而LSTM则用于处理视频帧序列的时间特征,从而实现对视频中人物动作的准确识别。 ```python import tensorflow as tf from tensorflow.keras.layers import Conv3D, LSTM, Dense, Flatten # 假设输入为视频序列 (batch_size, time_steps, height, width, channels) input_layer = tf.keras.Input(shape=(10, 128, 128, 3)) # 3D卷积层,可看作CNN在视频数据上的扩展 conv_layer = Conv3D(filters=16, kernel_size=(3, 3, 3), activation='relu')(input_layer) flatten_layer = Flatten()(conv_layer) reshaped_layer = tf.keras.layers.Reshape((10, -1))(flatten_layer) # LSTM层 lstm_layer = LSTM(64)(reshaped_layer) # 输出层 output_layer = Dense(10, activation='softmax')(lstm_layer) model = tf.keras.Model(inputs=input_layer, outputs=output_layer) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` ### 语音情感识别 在智能客服、智能家居交互等场景中,语音情感识别可以让设备更好地理解用户的情绪状态。CNN用于提取语音信号的频谱特征,LSTM处理语音信号的时序特征,从而判断语音中的情感类别,如高兴、悲伤、愤怒等。 ```python import torch import torch.nn as nn class SpeechEmotionModel(nn.Module): def __init__(self): super(SpeechEmotionModel, self).__init__() self.conv1 = nn.Conv1d(in_channels=1, out_channels=16, kernel_size=3) self.relu = nn.ReLU() self.pool = nn.MaxPool1d(kernel_size=2) self.lstm = nn.LSTM(input_size=16, hidden_size=32, num_layers=1) self.fc = nn.Linear(32, 5) def forward(self, x): x = self.conv1(x) x = self.relu(x) x = self.pool(x) x = x.permute(2, 0, 1) out, _ = self.lstm(x) out = out[-1, :, :] out = self.fc(out) return out ``` ### 股票价格预测 对于普通投资者来说,股票价格预测可以辅助投资决策。可以使用CNN处理股票的相关指标(如成交量、市盈率等)的空间特征,LSTM处理这些指标随时间的变化序列,从而对股票价格进行预测。 ```python import keras from keras.layers import Input, Conv1D, LSTM, Dense from keras.models import Model # 假设输入为股票指标序列 (batch_size, time_steps, num_features) input_tensor = Input(shape=(20, 5)) # CNN层 cnn_layer = Conv1D(filters=16, kernel_size=3, activation='relu')(input_tensor) # LSTM层 lstm_layer = LSTM(32)(cnn_layer) # 输出层 output = Dense(1, activation='linear')(lstm_layer) model = Model(inputs=input_tensor, outputs=output) model.compile(optimizer='adam', loss='mse') ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

jayLog

你的鼓励将是我创作的最大动力

¥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
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