最近我根据上述的技术体系图搜集了几十套腾讯、头条、阿里、美团等公司21年的面试题,把技术点整理成了视频(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,这里以图片的形式给大家展示一部分
- 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]]
- 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
- 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]
- 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]
- 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]]
- 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]]
- 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
- 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]]
- 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]]
- 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]
- 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]]
- 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
- 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]]
- 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]]
- 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});
INDArray indArray15 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {3,2});
disp(“2行3列”, indArray13);
disp(“3行2列”, indArray15);
disp(“2行3列矩阵与3行2列矩阵的叉乘”, indArray13.mmul(indArray15));
- 执行结果,可见,2行3列矩阵的每一行的元素,都和3行2列矩阵每一列的元素做两两相乘再相加,一共四个值,所以结果就是2行2列的矩阵:
- 矩阵所有元素值累加:sum
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 总和
double sum = indArray16.sum().getDouble();
System.out.println("矩阵元素累加和 : " + sum);
- 执行结果
矩阵元素累加和 : 21.0
- 转置操作(不改变源对象):transpose
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp(“转置前”, indArray16);
disp(“转置操作”, indArray16.transpose());
disp(“transpose操作后的原值(不变)”, indArray16);
- 执行结果,可见2行3列转置后变成了3行2列,但是生成了新对象,而源对象未改变
转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
transpose操作后的原值(不变)
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
- 转置操作(源对象被改变):transposei
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp(“转置前”, indArray16);
disp(“转置操作”, indArray16.transposei());
disp(“transposei操作后的原值(已变)”, indArray16);
- 执行结果
转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
transposei操作后的原值(已变)
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
- 横向拼接:hstack,要求两个矩阵行数相等
// 2行3列
INDArray indArray17 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 2行1列
INDArray indArray18 = Nd4j.create(new float[] {1, 2}, new int[] {2,1});
disp(“源矩阵”, indArray17);
disp(“拼接上的矩阵”, indArray18);
// 2行3列的矩阵,横向拼接一列后,变成了2行4列
disp(“横向拼接(每一行都增加一列)”, Nd4j.hstack(indArray17, indArray18));
- 执行结果如下图,可见是把indArray18 横着拼到indArray17 的右侧
- 纵向拼接:vstack,要求两个矩阵列数相等
// 2行3列
INDArray indArray19 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 1行3列
总目录展示
该笔记共八个节点(由浅入深),分为三大模块。
高性能。 秒杀涉及大量的并发读和并发写,因此支持高并发访问这点非常关键。该笔记将从设计数据的动静分离方案、热点的发现与隔离、请求的削峰与分层过滤、服务端的极致优化这4个方面重点介绍。
一致性。 秒杀中商品减库存的实现方式同样关键。可想而知,有限数量的商品在同一时刻被很多倍的请求同时来减库存,减库存又分为“拍下减库存”“付款减库存”以及预扣等几种,在大并发更新的过程中都要保证数据的准确性,其难度可想而知。因此,将用一个节点来专门讲解如何设计秒杀减库存方案。
高可用。 虽然介绍了很多极致的优化思路,但现实中总难免出现一些我们考虑不到的情况,所以要保证系统的高可用和正确性,还要设计一个PlanB来兜底,以便在最坏情况发生时仍然能够从容应对。笔记的最后,将带你思考可以从哪些环节来设计兜底方案。
篇幅有限,无法一个模块一个模块详细的展示(这些要点都收集在了这份《高并发秒杀顶级教程》里),麻烦各位转发一下(可以帮助更多的人看到哟!)
由于内容太多,这里只截取部分的内容。
// 2行3列
INDArray indArray19 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 1行3列
总目录展示
该笔记共八个节点(由浅入深),分为三大模块。
高性能。 秒杀涉及大量的并发读和并发写,因此支持高并发访问这点非常关键。该笔记将从设计数据的动静分离方案、热点的发现与隔离、请求的削峰与分层过滤、服务端的极致优化这4个方面重点介绍。
一致性。 秒杀中商品减库存的实现方式同样关键。可想而知,有限数量的商品在同一时刻被很多倍的请求同时来减库存,减库存又分为“拍下减库存”“付款减库存”以及预扣等几种,在大并发更新的过程中都要保证数据的准确性,其难度可想而知。因此,将用一个节点来专门讲解如何设计秒杀减库存方案。
高可用。 虽然介绍了很多极致的优化思路,但现实中总难免出现一些我们考虑不到的情况,所以要保证系统的高可用和正确性,还要设计一个PlanB来兜底,以便在最坏情况发生时仍然能够从容应对。笔记的最后,将带你思考可以从哪些环节来设计兜底方案。
篇幅有限,无法一个模块一个模块详细的展示(这些要点都收集在了这份《高并发秒杀顶级教程》里),麻烦各位转发一下(可以帮助更多的人看到哟!)
[外链图片转存中…(img-qEVhdX4Q-1715367547374)]
[外链图片转存中…(img-LXjXcRuG-1715367547374)]
由于内容太多,这里只截取部分的内容。