摘取别人的面经

开篇自我介绍,这个是面试基本都有的,就不细说了。 一面一上来就问了一道算法题,是最长公共子序列,这题不难,然而我没做出来。。。(我算法很渣),心态差点爆炸。 然后面试官问我对React的了解,我简单说了一下React的设计思想,它带来的改变,有什么优点。然后开始从源码的角度上讲(个人读过部分React源码,在简历中写明),从babel转码JSX开始讲,然后讲了ReactDOM.render()的一整套流程,setState的一整套流程,还有differ算法(differ算法我讲了React的和Vue的),因为个人实现过一个类React框架,所以对于这个流程还是比较了解的,面试官问的几个问题都答出来了(个人建议多了解一下源码,能直接看项目源码就直接看,最次也要看几篇讲源码的文章,我碰到的几个大厂都问了这方面的问题)。 再然后就是问了一些基础性的问题,先是操作系统部分,第一个问题是非常经典的了——进程与线程的区别。然后问进程间通信,问内存的管理方式,分页和分段。 随后是计算机网络部分,先问TCP和UDP的区别,优缺点,适用场景。然后问TCP三次握手,四次挥手,怎样保证数据有序?怎样保证可靠性?HTTP协议有哪些方法,get和post有什么区别,其他的有了解吗,你熟悉的状态码有哪些?这方面回答我的习惯是先回答标准实现是怎么做的,然后回答为什么这么做,以及不这么做有什么后果。 具体还有一些,但我因为是视频面试自己没有像以往那样录音,所以有些问题想不起来了,见谅。

一面之后紧接着就是二面,中间十分钟都不到,二面面试官上来还是让我自我介绍,之后要我介绍一下自己感觉最有挑战性的项目。我介绍的思路是先说项目性质(个人,社团还是实验室之类的),然后说项目规模(人数,代码行数等),再说项目架构,最后说自己承担的工作。这一部分建议提前做好准备,对于项目的亮点和难点都要说(自己把握好语速,基本要能说20分钟以上),性能优化是非常出彩的地方,一定要重点讲。面试官会在你讲完之后问一些问题,比如当时问什么那么做,以及会和你讨论有没有更好的做法。问的问题比较多也比较细,所以一定要说自己参与的比较多的项目,事前再熟悉一遍。再后来问了一些我个人平时写着玩的小玩意,一个爬虫,一个原生html+js的小游戏,还有一个数学建模的进化论模型。我都详细说了说。 之后面试官考察了一些基础,比如我在简历中说自己实现过类React框架,面试官问我babel的原理,具体怎么做的?怎么区分<是小于号还是开始的符号。 然后问对CSS的了解,最先问的很常规,就是CSS权重,然后问我怎么用CSS实现一个正方形,我说了很基本的方法,然后面试官问我有没有更骚的方法。。。没答出来 再然后问我CSS值的解析过程(不是页面,是CSS值),喵喵喵。。。说这个东西在标准里是有的,平时可以看看 CSS后问的是JS,一个最基本的[]==true,答这种题的时候我的方法是先说结论,再说理由,如果理由思路清晰而且正确的话,就算结果是错的问题也不大。另一个问题是()=>{a:1}该箭头函数返回值是什么,理由。

再之后本应该是三面,但是部门leader比较忙,就先结束了。再结束二十分钟不到的时候,hr来电话问我有没有事件聊一聊(hr面)。hr面问的问题很多,一开始问对公司的技术,薪资,文化了解多少?是否使用过公司产品?个人最具有自豪感的时候?为什么担任科协副主席?又问什么时候可以入职?这一面我觉得是没有固定答案的,根据自己情况回答,不过最好如实回答。

紧接着是leader面(本来应该是三面),首先自我介绍,然后讲了讲项目。问我有什么问题吗?我问了一些技术栈,可能承担的工作,培训机制等待


作者:沧溟
链接:https://juejin.im/post/5abdacb45188255583595855
来源:掘金

转载于:https://www.cnblogs.com/xuniannian/p/8676370.html

### 图像提取技术和图像处理方法 对于从图片中提取内容或者进行图片处理的任务,可以采用多种技术手段。以下是几种常见的图像提取和处理的方法: #### 1. **图像滤波** 图像滤波是一种用于减少噪声并增强图像质量的技术。通过平滑或锐化图像中的像素值,能够改善后续分析的效果。常用的滤波器有高斯滤波器、均值滤波器以及双边滤波器等[^1]。 ```python import cv2 import numpy as np # 高斯模糊示例 image = cv2.imread('example.jpg') blurred_image = cv2.GaussianBlur(image, (5, 5), 0) cv2.imshow('Blurred Image', blurred_image) cv2.waitKey(0) ``` #### 2. **图像边缘检测** 边缘检测旨在识别图像中亮度变化显著的位置,从而勾勒出物体轮廓。Canny算法是最广泛使用的边缘检测方法之一,它利用梯度计算来定位边界位置。 ```python edges = cv2.Canny(image, threshold1=100, threshold2=200) cv2.imshow('Edges Detected', edges) cv2.waitKey(0) ``` #### 3. **图像二值化** 为了简化复杂场景下的目标分割问题,通常会将灰度图转换成只有黑白两色的二值图像。这一过程可以通过设定阈值得到实现。 ```python gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, binary_image = cv2.threshold(gray_image, thresh=127, maxval=255, type=cv2.THRESH_BINARY) cv2.imshow('Binary Image', binary_image) cv2.waitKey(0) ``` 以上提到的传统图像处理方式适用于许多基础应用场合;然而,在更复杂的环境中可能还需要借助机器学习模型来进行高级别的特征提取与分类工作。
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
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