jd


1,final List l=new 实现;
l.add、l.add、l.add,问l的size是几?
答:3 
2,一个页面,有两个产品的访问入口,怎么实现单点登陆
答:可以使用开源的cas,画了一个简单了流程图。说明登陆、验证、授权的过程;
3,我的页面上有一些优惠券,用户来领。系统该怎么涉及?
答:要考虑并发的问题,不能超发了。设计一个队列。将并发的访问已线性的方式处理,比如有1000张券,一下子进来1万人,那么我的上层服务没必要都放进来,只放1200或者稍多点的请求进去。其他的直接返回失败。
4,我作为一个服务生产者,你是一个消费者,发现调我的服务变慢了,作为开发人员。该怎么一步步去排查问题?
答:说了3点,1、查看服务的访问日志,成功的访问和失败的次数,看是不是请求超出了我的服务的负载;
2、通过sdk 提供的工具查看内存使用情况、是不是有死锁;
3、检查我的业务,是不是存在数据查询的问题,比如事务过大,处理耗时、我的业务逻辑是否合理、是不是有慢查询。
5,线上环境为linux ,我要在日志里面搜索“Exception”关键字并输出到一个文件,命令怎么写?
答:写的不好,搜索匹配字符串常用。但是没有没有导出到文件的实践,没写出来后面的命令。
6,线上环境为linux,查看8080端口被占用的情况?
答:就写出来了个netstat 后面的不记得了。(实践的少)
7,什么是对称加密,非对称加密?举几个例子
答:没回答好,当时懵了。举例也没想起几个来 MD5,des 。后来仔细想了想项目里常用的还是比较多了,文件比对、password、电子合同生成、通讯,用的都挺多。想起来也晚了。。。
8,和外部系统接口通讯,怎么防止报文被篡改?
答:这个问题,表现的最典型的地方,就是支付接口通讯的时候,除了一些必要的身份校验,认证。这个可以放到header头里面,也可以在报文里的,防篡改的话,将报文里的关键字段,按照一定的规则排列拼接后,做MD5散列。作为报文的一部分。对方收到报文后,按照相同的规则将关键字段排列拼接并MD5,和报文里的字段比对;
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
。支持yolov5s,yolov5m,yolov5l.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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