先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7
深知大多数程序员，想要提升技能，往往是自己摸索成长，但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年最新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。
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，涵盖了95%以上Java开发知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
如果你需要这些资料，可以添加V获取：vip1024b （备注Java）
正文
// Instantiate the knn model
this.knn = new KNNImageClassifier(NUM_CLASSES, TOPK);
// Load knn model
this.knn.load().then(() => this.start());
第一行代码创建一个KNNImageClassifier对象，并分配给this.knn。KNNImageClassifier的构造器需传入两个参数：numClasses和k。numClasses定义模型期望分类的类别数。在本例中，numClasses为3（每种手势一个类别）。k是KNN算法模型的参数，它定义模型决定一个样本分类时所要考虑的邻居数。
第二行代码调用KNNImageClassifier的load函数。load函数用来下载预训练的SqueezeNet模型的权重。你将注意到这里then函数的使用，这说明load函数是一个异步函数，其返回一个Promise对象。当SqueezeNet模型的权重下载完成时，Promise对象决定执行。这时我们将调用this.start()开始TensorFlow.js迭代训练过程。
TensorFlow.js迭代训练
Main.start()函数定义如下：
start() {
this.video.play();
this.timer = requestAnimationFrame(() => this.animate());
}
上面的代码做了两件事：this.video.play()开启webcam流。this.animate()调用 TensorFlow.js迭代训练的第一次迭代。你会注意到，我们用requestAnimationFrame封装this.animate()调用。requestAnimationFrame是一个异步函数，当浏览器打开时requestAnimationFrame函数会调用传入的函数。这能确保在迭代训练时同步更新浏览器的视口。你也会注意到this.animate()末尾的一行代码：
this.timer = requestAnimationFrame(() => this.animate());
所以，在this.animate()的单个迭代的最后，我们会等待浏览器刷新它的视口，然后调用迭代训练的下一个迭代。这个常规的模式会确保，在更多的张量排队等待GPU处理时，浏览器得到合适的渲染。如果没有该模式浏览器会挂住，渲染web页面不可用。
你也应该注意到了，我们将requestAnimationFrame的返回结果分配给this.timer变量。虽然在本例中我们并没有使用该变量，但是它会基于某些事件给我们停止/暂停迭代训练的选项。stop函数会暂停我们的迭代训练，代码如下：
stop(){
this.video.pause();
cancelAnimationFrame(this.timer);
}
下面让我们看一下迭代训练中每个迭代都做了什么。在animate()函数中，我们从下面这行代码讲起：
const image = dl.fromPixels(this.video);
fromPixels函数的功能是把浏览器图片转化成一个3D张量，该张量包含图片的像素亮度。fromPixels函数可以从 ImageData、HTMLImageElement、HTMLCanvasElement或者HTMLVideoElement抓取图片。在本例子中，我们传入webcam的HTMLVideoElement。fromPixels函数把webcam的当前显示图片转换成一个3D张量，以供给其它TF.js函数使用。
接着，我们看下面一段代码：
// Train class if one of the buttons is held down
if (this.training != -1) {
// Add current image to classifier
this.knn.addImage(image, this.training);
}
当训练按钮被点击时，上面的代码会检测是否在训练三种手势其中的一种，并增加图片到KNN模型。这步很容易用KNNImageClassifier实例的addImage函数实现。addImage函数传入新训练图片的3D张量和相应的分类。KNNImageClassifier在SqueezeNet模型基础上处理图片，输入特征抽取的结果，并将其增加到训练样本的数组。
迭代训练的下一个代码块如下：
const exampleCount = this.knn.getClassExampleCount();
if (Math.max(…exampleCount) > 0) {
this.knn.predictClass(image)
.then((res)=>{
// Do something with our model’s prediction res
})
.then(()=> image.dispose());
}else{
image.dispose();
}
我们调用this.knn.getClassExampleCount()获取每个分类的图片数目。如果我们对至少一张图片进行了模型训练，那么我们会继续并使用模型进行图片预测。
为了预测一张图片的分类，我们传入一个3D张量到KNN图片分类器的predictClass函数。predictClass函数是一个异步函数，提供的图片进行推断，并返回一个Promise。Promise会决定推断的结果。predictClass函数紧跟的.then函数调用会定义一个函数，当推断完成会执行该函数。在本例子中，我们使用推断的结果更新UI上相应的变量、文本和图片。因为.then函数也会在传入的函数完成时返回一个Promise，所以我们用另外一个.then函数链式地调用函数。这时我们调用图片的3D张量对象的dispose()方法，它会释放指定部分张量的GPU的内存。如果不这么操作，随着迭代训练每次迭代都会持续地分配图片张量对象，我们会出现内存泄漏 。
最后注意，如果我们没有对单个类别进行训练，那么同时也会忽略对当前图片的推断，并用image.dispose()丢弃图片张量对象。
下面总结一下，TensorFlow.js 的迭代训练过程如下：
-
从摄像头抓取一张图片，并使用tf.fromPixels 函数将其转换成一个3D张量
-
检查我们当前是否在处理某个手势。如果是，则用KNNImageClassifier.addImage函数增加图片和相应的类别到我们的模型
-
检查我们的模型当前是否在训练最近的一个手势。如果是，使用KNNImageClassifier.predictClass函数推断当前处理的图片。基于这个结果去更新类别的变量和UI元素
-
使用张量对象的.dispose()方法丢弃图片
-
使用requestAnimationFrame，调用this.animate() 运行迭代训练的下一次迭代。在我们不断地迭代之前，requestAnimationFrame确保在浏览器时间重绘视口
-
回到第一步
Ending
Tip：由于文章篇幅有限制，下面还有20个关于MySQL的问题，我都复盘整理成一份pdf文档了，后面的内容我就把剩下的问题的目录展示给大家看一下
如果觉得有帮助不妨【转发+点赞+关注】支持我，后续会为大家带来更多的技术类文章以及学习类文章！（阿里对MySQL底层实现以及索引实现问的很多）
吃透后这份pdf，你同样可以跟面试官侃侃而谈MySQL。其实像阿里p7岗位的需求也没那么难（但也不简单），扎实的Java基础+无短板知识面+对某几个开源技术有深度学习+阅读过源码+算法刷题，这一套下来p7岗差不多没什么问题，还是希望大家都能拿到高薪offer吧。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Java）
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Java）
[外链图片转存中…(img-l9iUIxgI-1713460951175)]
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
577
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
