aygh的博客

原创 Java八股文复习指南

原创 互联网大厂Java求职者面试实录：技术点全解析

JUC下的线程安全集合有ConcurrentHashMap、CopyOnWriteArrayList等，它们的设计保证了在多线程环境下的安全性，比如采用分段锁机制。Spring的核心注解有@Component、@Service、@Repository、@Controller，还有配置相关的注解比如@Configuration。JVM内存模型分为堆、栈、方法区、本地方法栈等，堆是存储对象实例的地方，栈是存储方法执行时的局部变量。Docker是基于容器技术，可以解决环境隔离问题，核心概念有镜像、容器、网络等。

原创 互联网大厂Java面试场景：谢飞机的搞笑答题之旅

本文通过互联网大厂Java面试场景，以搞笑的谢飞机回答问题为主线，展现面试中常见的技术问题及其答案，涵盖核心知识点如HashMap、线程池、Spring、Redis等，帮助小白学习技术。面试官（严肃地）：谢飞机，先来热热身吧，讲讲你对Java中的HashMap理解，谈谈它的底层实现。面试官（继续追问）：最后一个问题，Java中的线程池你了解多少？谢飞机（挠头）：线程池就是用来跑线程的吧，核心参数应该是线程数，其他的嘛……面试官（稍微严肃）：谢飞机，谈谈你对分布式锁的理解，如何在Redis里实现分布式锁。

原创 互联网大厂Java面试：搞笑程序员与严肃面试官的对决

在数据量较小时，采用数组+链表，链表长度超过一定阈值（默认为8）时，会转换为红黑树以提高查询效率。IOC（Inversion of Control）是控制反转，核心是将对象的创建和依赖管理交给Spring容器，解决了代码耦合问题。：因为ArrayList是个数组嘛，查东西就像翻字典，LinkedList是链表，要从头一个个找。：RabbitMQ是消息队列，Redis也是消息队列啊，都是用来传消息的。：哦，RabbitMQ是专业传消息的，Redis是兼职的。：RDB和AOF，RDB是存快照，AOF是。

原创 互联网大厂Java面试场景：技术问答实录

嗯，HashMap是一个基于哈希表的数据结构，它主要通过键值对存储数据。：MyBatis有一级缓存和二级缓存，一级缓存是基于会话的，二级缓存是基于整个Mapper的……：YGH，你好，我们先聊聊基础知识吧。：接下来，我们聊聊多线程吧。你能简单说一下Spring中的AOP是如何实现的吗？：回答得不错，那么你知道HashMap在高并发场景下可能会出现什么问题吗？：对，但你的回答稍显模糊。：这个嘛，可能会出现数据覆盖的问题……注解，它会扫描类路径下的配置文件……它是通过动态代理实现的，嗯……

原创 互联网大厂Java面试场景：与面试官jww的三轮对话

Spring事务通过AOP实现，利用动态代理拦截方法，在方法执行前后通过事务管理器（如DataSourceTransactionManager）管理事务。：HashMap底层是通过数组加链表实现的，Java 8以后还引入了红黑树。而LinkedList是基于链表实现的，适合频繁插入和删除的场景。：Spring事务是通过AOP实现的，通过动态代理拦截方法调用，在方法执行前后通过事务管理器管理事务。堆是存储对象的，栈是存储方法执行的。：嗯，那如何保证线程安全？：不错，那Spring中的事务是如何实现的？

原创 java基础3

作用就是为了使异常更加的见名知意。编译类异常直接继承exception运行异常继承runtimeException（）

原创 Java基础下

不重复，无索引底层的数据结构是红黑树基本数据类型默认是升序。

原创 DEAMNet:Adaptive Consistency Prior based Deep Network for Image Denoising CVPR2021

最近的研究表明，深度网络可以在图像去噪方面取得良好的效果。然而，如何同时将传统方法的宝贵成果纳入网络设计中，提高网络的可解释性仍是一个有待解决的问题。为了解决这一问题，我们提出了一种新的基于模型的去噪方法来指导我们的去噪网络的设计。首先，通过在传统的一致性先验中引入一个非线性滤波算子、一个可靠性矩阵和一个高维特征变换函数，我们提出了一种新的自适应一致性先验（ACP）。其次，通过将ACP项纳入最大后验框架，提出了一种基于模型的去噪方法。该方法进一步被用于告知网络设计，导致了一种新的端到端可训练和可解释的深度去

原创 CBDNet:Toward Convolutional Blind Denoising of Real Photographs

虽然深度卷积神经网络 （CNN） 在使用附加高斯白噪声 （AWGN）（Additive White Gaussian Noise，加性的意思是，可以将噪声直接加在原始信号上） 进行图像去噪方面取得了令人印象深刻的成功，但它们的性能主要受限于现实世界的噪声照片。主要原因是他们学习的模型很容易在简化的 AWGN 模型上过拟合，这与复杂的真实噪声模型严重不同。为了证明深度 CNN 降噪器的泛化能力，我们建议使用更真实的噪声模型和真实世界的噪声-干净图像对来训练卷积盲去噪网络 （CBDNet）。一方面，信号相关噪声

原创 DnCNN:Beyond a Gaussian Denoiser: Residual Learning ofDeep CNN for Image Denoising

图像去噪是低级视觉中一个经典但仍然活跃的课题，因为它是许多实际应用中不可或缺的步骤。图像去噪的目标是从遵循图像退化模型y = x + v的噪声观测y中恢复一个干净的图像x。一个常见的假设是v是具有标准差σ的加性高斯白噪声（AWGN）。从贝叶斯的角度来看，当可能性已知时，图像先验建模将在图像去噪中起着核心作用。

原创 深度学习入门（小土堆pytorch视频笔记）：复盘自用

例如：dir(torch);help(torch.cuda.is_available)1.类的成员变量可以忽略不写，在构造方法中直接使用（即赋值又定义）2.def就是函数，def__init__()为构造方法 :init前后两个下划线3.self（必须有）相当于java中的this4.class MyData(Dataset): 子类MyData继承父类Dataset5.import`导入整个模块，而 from import`导入指定成员