面试题目

算法:

(1)电梯算法

(2)数组,求和为某个值的元素对

(3)堆排序

  (4)  树的前序、中序、后序

(5)中位数

(6)redis字典实现  get set方法

基本算法题:

(1)php 一个文件中包含多行网址,获取这个网址的页面内容,并把它保存在以域名为名字的文件中(文件操作,正则表达式)

基础知识:

(1)mysql复制,事务

(2)http表头内容

(3)网址访问过程 https://www.cnblogs.com/ranyonsue/p/5984001.html

(4)redis 基础知识(数据类型,复制方式,c语言层面的数据结构)

(5)php运行方式(cgi,fastcgi,区别,php7有哪些新特性)

设计题:

(1)微信发红包   2亿用户、5wqps

业务:怎么控制幂等性的,分布式事务问题及怎么解决,数据库分表的场景


神马面试:

php垃圾回收机制,cookie和session的区别,session的用法,如果种cookie失败了怎么排查(考察http协议,说没有设置成功header头中就没cookie),session存到哪,如果我不通过该配置文件想存到别的地方怎么做(两种方式),php魔法函数有哪些,构造函数,析构函数作用,php自动加载机制(有两个函数,区别)

设计模式:写一个单例,应用场景,工厂的应用场景

mysql:MyISAM和InnoDB的区别以及索引结构的区别,建表的原则,怎么看有没有用到索引,为什么没用到索引,如果索引字段非常大怎么办,mysqlbuf存的是什么,不停线上服务的前提下怎么做到修改表结构不丢失数据,一条请求在mysql中执行过程

redis持久化方式及区别,数据类型,如果string类型的数据非常大会产生什么影响(我回答的是io成本高),redis如果数据量非常大怎么办,redis淘汰算法有哪几种(只回答了lru),lru跟memchache的区别,reids内存分配方式,


探探面试:

(1)求数组中两个数的和等于某个值的数对

(2)数据库的4种隔离级别,脏读和幻读

(3)如何实现省市县(区)镇的四级存储和查询

医渡云面试:

(1)redis如何实现分布式锁,一致性hash问题

(2)中位数  两个有序数组,求中位数

(3)redis 中字典实现  应用

(4)文件中出现频率最大的topK的词(map,最小堆) 。如果map太大,内存不够怎么办?(分治思想)

(5)树的前序遍历


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。 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