- 博客(8)
- 资源 (3)
- 问答 (1)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 2021校招_满帮(运满满)
一面(电话面): 25min1.询问HashMap相关结构以及原理2.红黑树的基本结构,以及什么时候会LL(左转)3.Spring如何解决循环依赖的4.Redis缓存策略以及内存淘汰5.JVM的CMS垃圾收集器和G1收集器的优点和缺点6.如何回收栈中的垃圾二面(视频面):30min1.聊一聊最近的一个项目2.数据连接池3.NIO和BIO的区别4.如何保持安全连接后面还有两个问题记得不太清楚了。面试官给人的感觉也很不错,整个面试过程很Nice,已收到OC。...
2020-12-03 20:27:36
1095
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 机器学习中神经网络,支持向量机以及贝叶斯分类器总结
第五章神经网络5.1神经元模型神经网络中最基本的成分是神经元模型,即“简单单元”。 在“M-P神经元模型“中,神经元接受收到来自n个其他神经元传递过来的输入信号,这些输入信号经过带权重的连接进行传递,神经元接收到的总输入值将于神经元的阈值进行比较比较,然后通过”激活函数“处理以产生神经元的输出。 激活函数有两种:阶跃函数和sigmoid函数。由于阶跃函数具有不连续、不光滑的...
2018-08-22 10:15:44
12135
转载 音视频开发之音频基础知识
音视频开发之音频基础知识转自什么是声音介质振动在听觉系统中产生的反应。是一种波。因为是一种波,所以我们可以用频率、振幅等描述。频率与振幅有两个基本的物理属性:频率与振幅。声音的振幅就是音量,也叫作响度,频率是单位时间振动次数,频率的高低就是指音调,频率用赫兹(Hz)作单位。人耳只能听到20Hz到20kHz范围的声音。小于20HZ的叫次声波,大于20kHz的叫做超声波。超声波在现实中有很多应用,例如洗牙,测距,成像等。分贝因为人耳的特性,我们对声音的大小感知呈对数关系。所以我们通常用分贝描
2022-03-17 10:29:03
654
原创 2021校招_思科
思科给我发的太晚了,十一月份才给我消息。思科一面凉凉主要是针对你的简历。问到我的主要内容包括:数据库设计,是否使用到设计模式,以及遇到问题如何解决。包括ngnix,redis。http的几种方式。get和post有什么区别各个协议分别属于OSI哪个层网络发生传输的时候发送的文件格式内容有哪些。最后的结果虽然不美好,但是思科还是很棒的。...
2020-12-03 20:41:33
179
原创 2021校招_海康威视
2021届海康威视面试一面:1.https与http协议的区别2.Spring的启动过程3.Springboot相比较Spring的优点4.Linux修改文件权限命令5.项目中所用到的技术二面:1.设计模式2.为什么要使用这个技术3.觉得自己项目中最自豪的是什么?4.redis缓存穿透方法5.redis数据类型6.jvm运行过程7.hashMap和hashTable的区别8.线程的实现方式9.MongoDB的形式10.Redis的持久化...
2020-11-06 20:59:19
1017
原创 2021校招_大华
大华面试:一面和二面一面:首先自我介绍。1.序列化的使用方式以及情景。2.Springboot的启动过程。3.Mysq中lB+树和B树索引区别,聚簇索引和非聚簇索引区别。4.Spring中bean的生命周期。5.Java的IO流。6.序列化的作用是什么。聊了项目,有半个小时。二面:1.Java的8种数据类型2.ArrayList的实现3.线程池的四种策略和核心参数4.Springboot的启动过程5.mybatis文件的内容。6.Springboot的文件xml文件只能放在s
2020-11-06 20:40:37
139
原创 机器学习中的降维与度量学习(reduce dimension and metric learning)
降维与度量学习k近邻学习k近邻(k-Nearest Neighbor,简称kNN)学习是一种监督学习方法。 其工作机制为:在样本中,根据距离度量找出训练集中临近的k个样本,基于这k个样本进行预测。 一般,在分类任务中使用“投票法”,即选择最多的类别标记作为预测结果。 在回归任务中使用“平均法”。另外还可以使用距离度量以及加权平均来进行预测。 k近邻学习相比较其他的学习不同之处在...
2018-08-22 20:49:00
1070
springboot启动问题与数据源
2020-08-08
TA创建的收藏夹 TA关注的收藏夹
TA关注的人