迅雷2014笔试题答案

题目来源:http://www.itmian4.com/forum.php?mod=viewthread&tid=3427&extra=&page=1

一,1, B;     2, A;     3,D;    4,D;    5,c;   6,A;   7,B;    8,B;   9,C;   10,  B;    11, C;     12, 不会    13, A;    14,D;   15,B;

         16, D;    17,D;    18,C;    19,B;   20,A;  

二,多选:

     1,ACD;   2,AC;   3,BC;   4,BD;  5,BCD;  6,ABC;  7,ABCD; 8,AD;  9,BCD;10ABC    

三,1.    break;       cur_node_ptr=cur_node_ptr->next;    last_tail=new_node_ptr;     delete temp_ptr;

         2.   pa=*LA;       ;     *pb==*pa;                                           pre=pa;              

         3. next[i]=i;     





四.此题一开始想到的是分行祸首列进行二分,复杂度为O(mlgn),在群里兄弟的提示下,知道是offer上的题目,看了半天终于懂了,贴代码如下:

bool search(int *arr,int m,int n,int key)
{
  assert(arr!=NULL && m!=0 && n!=0);
  int row=0;
  int column=n-1;
  bool bResult=false;
  
  while(row<=n-1&&column>=0)
  {
    if(arr[row*n+column]==key)
  {
   bResult=true;
   break;
  
  }else if(arr[row*n+column]>key)
	{
    column--;
    }
    else
    row++;

 
  }
  return bResult;

return  true;
}

五 2

int calc_utf8_count(unsigned char* data_ptr,unsigned int data_len )
{ 
	assert(data_ptr!=NULL && data_len>0); 
         int count=0;
	for(int i=0;i<data_len;++i)
	{
      if(!(data_ptr[i]&0x80))
	  {
		  count++;
		  continue;
          
	  }
	  else if (data_len-1-i>=1  &&  ((data_ptr[i]>>7)&(data_ptr[i]>>6)&( (data_ptr[i]>>5)^0x01 )&0x01)  && (  (data_ptr[i+1]>>7) & (data_ptr[i+1]>>6^0x01) ))
	  {
	   
	   count++;
	   
	   i=i+1;
       continue;	
	  }
	  else if(data_len-1-i>=2  &&(  (data_ptr[i]>>7)&(data_ptr[i]>>6)& (data_ptr[i]>>5)& 0x01 &data_ptr[i]>>4^0x01 )  &&   ( (data_ptr[i+1]>>7) & (data_ptr[i+1]>>6^0x01) )  &&  ((data_ptr[i+2]>>7) & (data_ptr[i+2]>>6^0x01) ) )
	  {
	   count++;
	   i=i+2;
	   continue;
	  }
	  else
	  {
	   count=-1;//不是utf8字节流
	   break;
	  
	  }
	}

	return count;

}

多选:

  ABCD;  BC;  BD;  ABC;  AC;  

主观题:

1.  不会

 

2.  16;

      12;

     

       12;

       8;

   

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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