2024年最全DL4J实战之五：矩阵操作基本功，整理了3家面试问题：美团+字节+腾讯

最新推荐文章于 2024-09-13 21:30:49 发布
最新推荐文章于 2024-09-13 21:30:49 发布
阅读量326 收藏 6
点赞数 5
分类专栏： 程序员 文章标签： 矩阵 面试 线性代数
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/2401_84024148/article/details/138536826
版权

最后

最后，强调几点：

  • 1. 一定要谨慎对待写在简历上的东西，一定要对简历上的东西非常熟悉。因为一般情况下，面试官都是会根据你的简历来问的； 能有一个上得了台面的项目也非常重要，这很可能是面试官会大量发问的地方，所以在面试之前好好回顾一下自己所做的项目；
  • 2. 和面试官聊基础知识比如设计模式的使用、多线程的使用等等，可以结合具体的项目场景或者是自己在平时是如何使用的；
  • 3. 注意自己开源的Github项目，面试官可能会挖你的Github项目提问；

我个人觉得面试也像是一场全新的征程，失败和胜利都是平常之事。所以，劝各位不要因为面试失败而灰心、丧失斗志。也不要因为面试通过而沾沾自喜，等待你的将是更美好的未来，继续加油！

以上面试专题的答小编案整理成面试文档了，文档里有答案详解，以及其他一些大厂面试题目。

面试答案

三面头条+四面阿里+五面腾讯拿offer分享面经总结，最终入职阿里

三面头条+四面阿里+五面腾讯拿offer分享面经总结，最终入职阿里

三面头条+四面阿里+五面腾讯拿offer分享面经总结，最终入职阿里

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

全一矩阵

维度 : 2

形状 : [2, 3]

完整矩阵 :

[[ 1.0000, 1.0000, 1.0000],

[ 1.0000, 1.0000, 1.0000]]

  1. 全是指定值的矩阵：valueArrayOf

// 创建2行3列的全是指定值的矩阵

INDArray indArray2 = Nd4j.valueArrayOf(new int[] {2, 3}, 888);

disp(“全是指定值(888)的矩阵”, indArray2);

  • 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));

总结

在这里，由于面试中MySQL问的比较多，因此也就在此以MySQL为例为大家总结分享。但是你要学习的往往不止这一点，还有一些主流框架的使用，Spring源码的学习，Mybatis源码的学习等等都是需要掌握的，我也把这些知识点都整理起来了

面试真题

Spring源码笔记

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

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));

总结

在这里，由于面试中MySQL问的比较多，因此也就在此以MySQL为例为大家总结分享。但是你要学习的往往不止这一点，还有一些主流框架的使用，Spring源码的学习，Mybatis源码的学习等等都是需要掌握的，我也把这些知识点都整理起来了

[外链图片转存中…(img-412YHpSW-1715070832050)]

[外链图片转存中…(img-tLUeadTl-1715070832050)]

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

2401_84024148
关注
专栏目录
DL之IDE：深度学习环境安装之Tensorflow/tensorflow_gpu+Cuda+Cudnn(最清楚/最快捷)之详细攻略(图文教程)
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-20 2万+
​ DL之IDE：深度学习环境安装之Tensorflow/tensorflow_gpu+Cuda+Cudnn(最清楚/最快捷)之详细攻略(图文教程) 目录 安装思路 1、tensorflow_gpu+Cuda+Cudnn版本匹配官方推荐 2、先解释一下cuda与cudann 3、下载并安装CUDA 4、下载并配置cudnn 5、安装tensorflow_gpu 6、最后测试是否安装成功 安装思路 第一步：先洗脸 第二步：照照镜子 第三步，因为现在电脑比较新，差不
MiniGPT-4本地部署的实战方案
热门推荐
herosunly的博客
06-28 7万+
本文主要介绍了MiniGPT-4本地部署的实战方案，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 介绍 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 3. 下载权重文件 3.1 下载Vicuna权重文件 3.2 下载MiniGPT-4权重文件 3.3 下载其他文件并修改源码 4. 运行MiniGPT-4
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...
ND4J序列化和反序列INDArray
用时间去蜕变
03-23 1669
import org.nd4j.linalg.api.ndarray.INDArray; import org.nd4j.linalg.factory.Nd4j; import org.nd4j.serde.binary.BinarySerde; import java.io.*; import java.nio.ByteBuffer; INDArray arrWrite = Nd4j.lin...
[DeepLearning4j学习日记]-ND4J矩阵的基本操作
Timeless小帅的博客
03-15 1582
什么是ND4J 官网上的介绍是这样介绍的 ND4J是Java编写的开源、分布式深度学习项目，由总部位于旧金山的商业智能和企业软件公司Skymind牵头开发。团队成员包括数据专家、深度学习专家、Java程序员和具有一定感知力的机器人。   通过科学计算，分析师能够从大数据中挖掘出价值。我们认为，业内对深入理解和挖掘数据之货币价值的旅程才刚刚起步。因此，我们决定在Java虚拟机（JVM）环...
Deeplearning4j - ND4j方法快速索引
用时间去蜕变
04-28 3128
Deeplearning4j - ND4j方法快速索引 ND4J和ND4S是JVM的科学计算库，并为生产环境设计，亦即例程运行速度快，RAM要求低。 主要特点： 多用途多维数组对象 多平台功能，包括GPU 线性代数和信号处理功能 由于易用性上存在的缺口，Java、Scala和Clojure编程人员无法充分利用NumPy或Matlab等数据分析方面最强大的工具。Breeze等其他库则不支...
【愚公系列】2024年03月 《AI智能化办公：ChatGPT使用方法与技巧从入门到精通》 025-ChatGPT的办公应用（ChatGPT在PPT中的应用）
时光隧道
03-21 5万+
当随着人工智能的发展，人们越来越多地将其应用于生活和工作中。本节将介绍如何利用 ChatGPT 生成 PPT 大纲，并将其转换为 Markdown 语言，以帮助读者熟悉 PPT 文档自动生成平台 MindShow 的使用方法。读者将学习如何快速生成 PPT 文档，从而提高工作效率。
AIGC实战——深度学习 (Deep Learning, DL)
盼小辉丶的博客
10-25 5万+
深度学习 (Deep Learning, DL) 是贯穿所有生成模型 (Generative Model) 的共同特征，几乎所有复杂的生成模型都以深度神经网络为核心，深度神经网络能够学习数据结构中的复杂关系，而不需要预先提取数据特征。在本节中，我们将介绍深度学习基本概念，并利用 Keras 构建深度神经网络。
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
【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。
矩阵分析 学习笔记3 多项式矩阵 jordan标准型
LI_XIAO_XING的博客
09-11 285
多项式矩阵的秩和带一个类目大进去变成普通矩阵的秩不是一回事哦，毕竟类目大可以取到一个特定的值使行列式的值为0，刚好凑到0，秩就变小了。假如这个多项式矩阵是可逆的，那么它的行列式肯定是一个固定的值，还不能是0！就是说这个矩阵里面的各个元素都是多项式，多项式的主角是类目大（自变量）。0多项式就是完全0的那种，就一个0，类目大都没有了。单位模阵就是可逆多项式矩阵。多项式矩阵的秩是啥呢？
后端开发刷题 | 矩阵的最小路径和
jingling555的博客
09-11 421
给定一个 n * m 的矩阵 a，从左上角开始每次只能向右或者向下走，最后到达右下角的位置，路径上所有的数字累加起来就是路径和，输出所有的路径中最小的路径和。数据范围: 1≤n,m≤500，矩阵中任意值都满足 0≤ai,j≤100要求：时间复杂度 O(nm)例如：当输入[[1,3,5,9],[8,1,3,4],[5,0,6,1],[8,8,4,0]]时，对应的返回值为12，
【Kubernetes】常见面试题汇总（十三）
最新发布
Songyaxuan075118的博客
09-13 383
Kubernetes Scheduler 使用哪两种算法将 Pod 绑定到 worker 节点 预选（Predicates） 优选（Priorities） Kubernetes kubelet 的作用 Kubernetes kubelet 监控 Worker 节点资源是使用什么组件来实现的
【C++ 面试 - 新特性】每日 3 题（九）
Newin2020的博客
09-10 695
✍个人博客：Pandaconda-CSDN博客📣专栏地址：http://t.csdnimg.cn/fYaBd📚专栏简介：在这个专栏中，我将会分享 C++ 面试中常见的面试题给大家~
Unity面试：MipMap是什么，有什么作用？
m0_67537062的博客
09-10 425
当物体离摄像机较远时，使用较低分辨率的纹理进行渲染，从而提供更清晰、自然的视觉效果。在Unity中，开发者可以在材质的设置中开启MipMap，系统会自动为指定的纹理生成适当的MipMap级别，从而优化游戏的表现。总之，MipMap在Unity 3D中的作用是提高画面质量和渲染性能，使游戏体验更加流畅和真实。这是因为较低分辨率的纹理占用的内存较少，传输到显卡时也能够更快速，从而提高渲染速度。当物体距离摄像机较远时，使用低分辨率的MipMap纹理能够更自然地显示物体的轮廓。
DL4J实战：用Java训练YOLO模型进行红细胞检测
"这篇文章主要介绍了如何使用DeepLearning4j（DL4J）框架结合Java来训练YOLO（You Only Look Once）模型，特别是在YOLOv3版本发布后，DL4J更新到1.0.0-alpha版本，加入了对TinyYolo模型的支持。作者通过一个实例，...
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