DL4J实战之五：矩阵操作基本功(1)，netty框架面试题

最新推荐文章于 2024-09-12 15:42:17 发布
最新推荐文章于 2024-09-12 15:42:17 发布
阅读量469 收藏 7
点赞数 21
分类专栏： 2024年程序员学习 文章标签： 矩阵 java 面试
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。
本文链接：https://blog.csdn.net/2301_79054215/article/details/137299965
版权
  • 执行结果

全是指定值(888)的矩阵

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 888.0000, 888.0000, 888.0000],

[ 888.0000, 888.0000, 888.0000]]

  1. rand：随机矩阵（0到1之间的随机数）

// 创建2行3列的随机矩阵

INDArray indArray2 = Nd4j.rand(2, 3);

disp(“随机矩阵”, indArray2);

  • 执行结果

随机矩阵

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 0.7236, 0.5159, 0.1908],

[ 0.9458, 0.4413, 0.4173]]

  1. 随机高斯分布的矩阵(平均值为0,标准差为1)：randn

// 创建2行3列的随机高斯分布矩阵

INDArray indArray3 = Nd4j.randn(2, 3);

disp(“随机高斯分布矩阵”, indArray3);

  • 执行结果

随机高斯分布矩阵

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ -0.4287, -0.5790, 0.5004],

[ -0.5122, 1.0551, -0.1998]]

  1. 等差数列：linspace

// 创建等差数列，

// 从1到6、长度为10的等差数列

INDArray indArray4 = Nd4j.linspace(1,6, 10);

disp(“等差数列”, indArray4);

  • 执行结果

等差数列

维度 : 1

形状 : [10]

完整矩阵 :

[ 1.0000, 1.5556, 2.1111, 2.6667, 3.2222, 3.7778, 4.3333, 4.8889, 5.4444, 6.0000]

  1. 根据数组创建矩阵：create(float[] data, int[] shape)

// 根据数组创建2行3列的矩阵

INDArray indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

disp(“根据数组创建矩阵”, indArray6);

  • 执行结果

根据数组创建矩阵

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 1.0000, 2.0000, 3.0000],

[ 4.0000, 5.0000, 6.0000]]

  1. 三维矩阵

// 三维矩阵

INDArray indArray7 = Nd4j.valueArrayOf(new int[] {2, 2, 3}, 888);

disp(“三维矩阵”, indArray7);

三维矩阵

维度 : 3

形状 : [2, 2, 3]

完整矩阵 :

[[[ 888.0000, 888.0000, 888.0000],

[ 888.0000, 888.0000, 888.0000]],

[[ 888.0000, 888.0000, 888.0000],

[ 888.0000, 888.0000, 888.0000]]]

  1. 创建正方形二维矩阵，并且对角线上的元素值都是1.0：

// 创建3行3列的二维矩阵，对角线值为1.0

INDArray indArray10 = Nd4j.eye(3);

disp(“3*3矩阵，且对角线都是1.0”, indArray10);

  • 执行结果

3*3矩阵，且对角线都是1.0

维度 : 2

形状 : [3, 3]

完整矩阵 :

[[ 1.0000, 0, 0],

[ 0, 1.0000, 0],

[ 0, 0, 1.0000]]

读操作

  • 接下来试试读取相关的操作，回顾前面用数组创建的2行3列的矩阵，内容如下：

[[ 1.0000, 2.0000, 3.0000],

[ 4.0000, 5.0000, 6.0000]]

  1. 读取指定位置：

System.out.println("读取第一行第一列位置的值 : " + indArray6.getDouble(1,1));

  • 执行结果

读取第一行第一列位置的值 : 5.0

  1. 指定行：

System.out.println("读取第一行 : " + indArray6.getRow(1));

  • 执行结果

读取第一行 : [ 4.0000, 5.0000, 6.0000]

  1. 指定列：

System.out.println("读取第二列 : " + indArray6.getColumn(2));

  • 执行结果

读取第二列 : [ 3.0000, 6.0000]

  1. 指定多列：

System.out.println("读取第二、三列 : " + indArray6.getColumns(1,2));

  • 执行结果

读取第二、三列 : [[ 2.0000, 3.0000],

[ 5.0000, 6.0000]]

写操作

  • 接下来试试读取相关的操作，回顾前面用数组创建的2行3列的矩阵，内容如下：

[[ 1.0000, 2.0000, 3.0000],

[ 4.0000, 5.0000, 6.0000]]

  1. 修改指定位置，查看了源码后发现，put方法内容实际上是在调用putScalar方法：

indArray6.put(1,1, 123);

indArray6.putScalar(0,0, 456);

disp(“a. 修改后”, indArray6);

  • 执行结果

a. 修改后

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 456.0000, 2.0000, 3.0000],

[ 4.0000, 123.0000, 6.0000]]

  1. 修改整行：

// 准备一维数组

INDArray row1 = Nd4j.create(new float[] {9,8,7});

// 用一维数组替换矩阵的整行

indArray6.putRow(1, row1);

disp(“b. 修改后”, indArray6);

  • 执行结果

b. 修改后

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 456.0000, 2.0000, 3.0000],

[ 9.0000, 8.0000, 7.0000]]

矩阵计算

  • 矩阵计算，咱们从最基本的四则运算开始
  1. 加减乘除，入参是一个标量，会与矩阵中的所有元素做计算

// 准备好原始数据，2行3列矩阵

indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

// 加法

disp(“加法”, indArray6.add(1));

// 减法

disp(“减法”, indArray6.sub(1));

// 乘法

disp(“乘法”, indArray6.mul(2));

// 除法

disp(“除法”, indArray6.div(2));

  • 执行结果

加法

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 2.0000, 3.0000, 4.0000],

[ 5.0000, 6.0000, 7.0000]]

减法

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 0, 1.0000, 2.0000],

[ 3.0000, 4.0000, 5.0000]]

乘法

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 2.0000, 4.0000, 6.0000],

[ 8.0000, 10.0000, 12.0000]]

除法

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 0.5000, 1.0000, 1.5000],

[ 2.0000, 2.5000, 3.0000]]

  1. 前面的add方法，执行完毕后会生成一个新的NDArray实例，不影响原对象，但如果调用的是addi，就会修改原对象的内容：

INDArray indArray8 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

disp(“替换前”, indArray8);

indArray8.addi(1);

disp(“替换后”, indArray8);

  • 执行结果

替换前

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 1.0000, 2.0000, 3.0000],

[ 4.0000, 5.0000, 6.0000]]

替换后

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 2.0000, 3.0000, 4.0000],

[ 5.0000, 6.0000, 7.0000]]

  1. 展开：Nd4j.toFlattened，2行3列的二维矩阵展开后成了一维的

disp(“展开”, Nd4j.toFlattened(indArray6));

  • 执行结果

展开

维度 : 1

形状 : [6]

完整矩阵 :

[ 1.0000, 2.0000, 3.0000, 4.0000, 5.0000, 6.0000]

  1. 转换：reshape，相当于使用原有数据，但是换一个shape入参

disp(“转换”, indArray6.reshape(3,2));

  • 执行结果

转换

维度 : 2

形状 : [3, 2]

完整矩阵 :

[[ 1.0000, 2.0000],

[ 3.0000, 4.0000],

[ 5.0000, 6.0000]]

  1. 提取正方形矩阵的对角线：diag，得到的结果是一维的

// 创建一个人3行3列的正方形矩阵

INDArray indArray9 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6, 7, 8, 9}, new int[] {3,3});

disp(“3*3矩阵”, indArray9);

// 提取正方形矩阵的对角线

disp(“3*3矩阵的对角线”, Nd4j.diag(indArray9));

  • 执行结果如下图，diag方法得到了源对象的对角线

在这里插入图片描述

  1. 基于源矩阵形状创建新矩阵，且值都相通（入参值），然后用此新矩阵减去源矩阵：rsub

// 初始化一个2行3列的矩阵

INDArray indArray11 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

// 参考indArray12的结构创建一个2行3列的矩阵，该矩阵的所有元素的值都等于10(入参)，

// 然后，用该矩阵减去indArray11，结果作为rsub方法的返回值返回

INDArray indArray12 = indArray11.rsub(10);

disp(“rsub方法”, indArray12);

  • 执行结果如下，可见所有值都是10减去源矩阵对应位置的值：

rsub方法

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 9.0000, 8.0000, 7.0000],

[ 6.0000, 5.0000, 4.0000]]

  1. 两个矩阵相加：add，两个形状相通的矩阵，同样位置的值相加：

INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

INDArray indArray14 = Nd4j.create(new float[] {1, 1, 1, 1, 1, 1}, new int[] {2,3});

disp(“矩阵相加”, indArray13.add(indArray14));

  • 执行结果

矩阵相加

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 2.0000, 3.0000, 4.0000],

[ 5.0000, 6.0000, 7.0000]]

  1. 叉乘：mmul，2行3列乘以3行2列，

INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
img
img
img
img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Java）
img

最后

整理的这些资料希望对Java开发的朋友们有所参考以及少走弯路，本文的重点是你有没有收获与成长，其余的都不重要，希望读者们能谨记这一点。

image

image

其实面试这一块早在第一个说的25大面试专题就全都有的。以上提及的这些全部的面试+学习的各种笔记资料，我这差不多来回搞了三个多月，收集整理真的很不容易，其中还有很多自己的一些知识总结。正是因为很麻烦，所以对以上这些学习复习资料感兴趣
长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
[外链图片转存中…(img-GpG1BrWR-1712072812162)]
[外链图片转存中…(img-ErWm13Oe-1712072812163)]
[外链图片转存中…(img-OxTXAnLl-1712072812163)]
[外链图片转存中…(img-qCQVoyZx-1712072812163)]
[外链图片转存中…(img-gmYQ6Hiq-1712072812164)]
[外链图片转存中…(img-OzZktN8Y-1712072812165)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Java）
[外链图片转存中…(img-kH4S8wPs-1712072812165)]

最后

整理的这些资料希望对Java开发的朋友们有所参考以及少走弯路，本文的重点是你有没有收获与成长，其余的都不重要，希望读者们能谨记这一点。

[外链图片转存中…(img-7H3Z2ZM5-1712072812165)]

[外链图片转存中…(img-7jtqwFPa-1712072812166)]

其实面试这一块早在第一个说的25大面试专题就全都有的。以上提及的这些全部的面试+学习的各种笔记资料，我这差不多来回搞了三个多月，收集整理真的很不容易，其中还有很多自己的一些知识总结。正是因为很麻烦，所以对以上这些学习复习资料感兴趣

2301_79054215
关注
专栏目录
DeepLearning4j - INDArray 转为图像
用时间去蜕变
01-12 1461
DeepLearning4j - INDArray 转为图像 三通通道彩色图 代码引自：https://github.com/sjsdfg/dl4j-tutorials/blob/master/src/main/java/styletransfer/NeuralStyleTransfer.java /** * Takes an INDArray containing an image load...
DL4J矩阵的常用操作
用时间去蜕变
04-21 1868
DL4J矩阵的常用操作import org.deeplearning4j.nn.conf.distribution.Distribution; import org.nd4j.linalg.api.ndarray.INDArray; import org.nd4j.linalg.factory.Nd4j; import org.nd4j.linalg.indexing.INDArrayIndex;
ND4J/DL4J的内存管理：工作原理
用时间去蜕变
12-19 2004
ND4J/DL4J的内存管理：工作原理ND4J使用堆外内存存储N维数组NDArray，以便提升从本机代码（例如BLAS和CUDA库）使用NDArray时的性能。 “堆外”意味着系统分配的这部分内存位于JVM（Java虚拟机）之外，因此不受JVM垃圾回收器（GC）的管理。在Java/JVM一侧，我们只设置指向堆外内存的指针，可以传递给底层的C++代码（通过JNI），用于ND4J运算。我们用两种方法管理
DL4J中文文档/ND4J/概述
bewithme的专栏
01-26 7660
本用户指南旨在解释（并提供示例）ND4J中的主要功能。 简介 NDArrays:它们在内存中是如何存储的？ 视图：当两个或更多NDArrays引用相同的数据 创建NDArrays 0,1和标量值初始化数组 随机数组 从Java数组创建NDArrays 从其它NDArrays创建NDArrays 混杂的NDArray创建方法 获取和设置单个值  获取和设置ND...
基于java 的深度学习框架DL4J
02-15
基于java 的深度学习框架DL4J的介绍和实例分析。
Java后端真实面试题大全(有详细答案)--高频/真题
热门推荐
IT利刃出鞘的博客
11-24 13万+
本文分享Java后端真实高频面试题，有详细答案，保你稳过面试。题目包括：Java基础、多线程、JVM、数据库、Redis、Shiro、Spring、SpringBoot、MyBatis、MQ、ELK、SpringCloud、设计模式等。 本博客包含从简单到困难、从高频到低频的题目，适合所有Java求职者，包括：刚入门的、三年以内经验、三到五年经验、五到十年经验等。
JBOSS Netty面试题
07-14
JBOSS Netty面试题 在这篇文章中，我们将探讨 JBOSS Netty 面试题，涵盖了 BIO、NIO 和 AIO 的区别、NIO 的组成、Netty 的特点等知识点。 BIO、NIO 和 AIO 的区别 BIO（Blocking I/O）是一种传统的 I/O 模式，每...
DL4J实战之一：准备，阿里面试官跟我死磕MySQL
m0_63102494的博客
11-11 1081
com.bolingcavalry dlfj-tutorials 1.0-SNAPSHOT commons classifier-iris pom <java.version>1.8</java.version> <maven.compiler.source>8</maven.compiler.source> <maven.compiler.target>8</maven.compiler.target> <dl4j-mas
Netty面试题 +Netty综合面试题整合
04-12
Netty 是一个高性能、异步事件驱动的网络应用程序框架，用于快速开发可维护的高性能协议服务器和客户端。在准备 Netty 相关的面试时，理解其核心概念和实际应用至关重要。以下是一些可能在面试中遇到的 Netty 知识点...
架构师面试题系列之Netty面试专题及答案（10题）.zip
最新发布
09-14
架构师面试题系列之Netty面试专题及答案（10题）.zip
10道Java高级必备的Netty面试题！
03-06
关于Java高级面试题中Netty的相关知识点，可以详细阐述以下几个方面： 1. BIO、NIO和AIO的区别： - BIO（阻塞IO）：同步并阻塞式的IO操作，服务器每处理一个客户端连接都会创建一个新的线程，当线程空闲时，它将被...
DL4J中文文档/分布式深度学习/操作指南
bewithme的专栏
11-29 1102
Spark上的DL4J:操作指南 此页面包含许多用于常见分布式训练任务的操作指南。注意，对于构建数据管道的指南，请参见这里。 在阅读这些指南之前，请确保你已经阅读了有关DL4J spark训练的介绍指南。 在训练指南前之前 如何用Maven构建用于通过Spark submit训练的uber jar  如何在Spark上使用GPU进行训练 如何在主节点上使用CPU，在工作机上用GPU 如...
DL4J源码分析
天边一坨浮云
02-05 475
目录 源码目录（部分） NDArray 工作间 DL4J的层工作间管理器 沿维张量（TAD） 反向减法 源码目录（部分） DeepLearning4J: 包含用于既在单个机器上，又在分布式上学习神经网络的所有代码。 ND4J: “Java的n维数组”。ND4J是建立DL4J的数学后端。所有的DL4J神经网络都是使用ND4J中的运算（矩阵乘法、向量运算等）来构建的。ND4J是DL4J实现在没有改变网络本身的情况化，即可以CPU又可以GPU训练网络的原因。 没有Nd4J，就不会有DL4J。 .
DL4J中文文档/模型/RNN（循环神经网络）
bewithme的专栏
11-15 1501
DL4J中的循环神经网络 本文概述了在DL4J中如何使用循环神经网络的具体训练特征和实用性。本文假定对循环神经网络及其使用有一定了解，而不是对递归神经网络的介绍，并且假定你对它们的使用和术语有一些熟悉。 内容 基础：数据和网络配置 RNN训练特征 通过时间截断的反向传播 掩码：一对多、多对一和序列分类 训练后的掩码与序列分类 RNN层与其它层结合 测试时间：一步一...
通过DL4J使用递归网络
技术博客
07-14 7912
DL4J中的递归网络 本页将简要介绍递归网络的具体定型功能，以及如何在DeepLearning4J中实际运用这些功能。本页并非递归神经网络（RNN）的基础教程，读者应对RNN及其用途有基本的了解，且熟悉相关术语。如果读者是首次接触RNN，请先阅读递归网络和LSTM教程，再学习本页内容。 目录 基础内容：数据和网络配置RNN定型功能 截断式沿时间反向传播掩模：一对多、多对一和序列分类
【hot100-java】【搜索二维矩阵 II】
m0_73629042的博客
09-11 358
其实只是利用树的一个搜索思想，并不需要真正转换树来做。
数学基础 -- 勒让德多项式之矩阵与内积
sz66cm 学习随笔
09-10 705
勒让德多项式PnxP_n(x)Pn​x是一类常用的正交多项式，可以通过递归公式生成。
【组合】矩阵ksm+状压dp
2302_80811345的博客
09-11 1124
给出一个n×m的方格图，现在要用如下L型的积木拼到这个图中，使得方格图正好被拼满，请问总共有多少种拼法。其中，方格图的每一个方格正好能放积木中的一块。积木可以任意旋转。
[产品管理-10]：NPDP新产品开发 - 8 - 波士顿矩阵（当下与未来）在产品市场战略方面的应用
文火冰糖（王文兵）的博客
09-12 751
该理论主要用于分析企业不同业务单元的市场表现，并根据市场增长率和市场份额两个维度，将产品划分为四种类型，从而帮助企业制定合适的产品和市场策略。根据波士顿矩阵的划分标准，通常将市场增长率和市场份额的中点设为10%或20%（具体数值可根据行业特点和公司实际情况调整），从而将坐标图划分为四个象限。通过科学合理地分析产品线的市场增长率和市场份额情况，企业可以制定出更加符合市场规律和自身实际情况的战略对策从而实现资源的优化配置和企业的持续发展。因此，企业在应用该理论时，应结合企业实际情况和市场变化进行灵活调整。
2023 Netty面试精华：高性能网络框架详解与实战应用
Netty是2023年Java面试的重要话题，作为一个异步事件驱动的网络应用程序框架，它在高性能服务器和客户端...Netty是一个高效、灵活且成熟的网络通信框架，对于面试者来说理解和掌握它是提升Java编程技能的关键点之一。
评论
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