当前位置: 首页 > news >正文

23年校招DL/NLP/推荐系统/ML/算法基础面试必看300问及答案

2020年校招已经开始了,在疫情全球肆虐的背景下,全球就业情况异常艰难,加上美国对中国企业打压持续升级,对于马上开始秋招找工作的毕业生而言,更是难上加难。我们不能凭一己之力改变现状,但我们可以凭借自己的努力改变自己,想要找到心仪的工作,唯有提升自己的硬件实力。

互联网面试通常都是有套路的,特别是算法面试环节,对于算法相关基础的的考察。因此,推荐本资源,整理了300多道算法岗位相关的面试题目并给出了详细的答案,涉及算法基础知识、推荐系统、机器学习、深度学习、自然语言处理、数学基础知识、数据预处理等相关问题,由互联网一线资深的面试官整理,非常值得深入学习,温故而知新。

资源整理自网络,感谢作者细致整理和无私分享,源地址:https://github.com/sladesha/Reflection_Summary

300问题及最新答案下载地址:

微信公众号“深度学习与NLP”回复关键字“sfie20”获取下载地址。

基础概念

方差和偏差

o解释方差

o解释偏差

o模型训练为什么要引入偏差和方差?请理论论证

o什么情况下引发高方差

o如何解决高方差问题

o以上方法是否一定有效

o如何解决高偏差问题

o以上方法是否一定有效

o遇到过的机器学习中的偏差与方差问题

o就理论角度论证Bagging、Boosting的方差偏差问题

o遇到过的深度学习中的偏差与方差问题

o方差、偏差与模型的复杂度之间的关系

生成与判别模型

o什么叫生成模型

o什么叫判别模型

o什么时候会选择生成/判别模型

oCRF/朴素贝叶斯/EM/最大熵模型/马尔科夫随机场/混合高斯模型

o我的理解

先验概率和后验概率

o写出全概率公式&贝叶斯公式

o说说你怎么理解为什么有全概率公式&贝叶斯公式

o什么是先验概率

o什么是后验概率

o经典概率题

频率概率

o极大似然估计 - MLE

o最大后验估计 - MAP

o极大似然估计与最大后验概率的区别

o到底什么是似然什么是概率估计

AutoML

oAutoML问题构成

o特征工程选择思路

o模型相关的选择思路

o常见梯度处理思路

oAutoML参数选择所使用的方法

o讲讲贝叶斯优化如何在automl上应用

o以高斯过程为例,超参搜索的f的最优解求解acquisition function有哪些

o高斯过程回归手记

oAutoSklearn详解手记

oAutoML常规思路手记

数学

数据质量

o期望

o方差

o标准差

o协方差

o相关系数

最大公约数问题

o辗转相除法

o其他方法

牛顿法

o迭代公式推导

o实现它

概率密度分布

o均匀分布

o伯努利分布

o二项分布

o高斯分布

o拉普拉斯分布

o泊松分布

平面曲线的切线和法线

o平面曲线的切线

o平面曲线的法线

导数

o四则运算

o常见导数

o复合函数的运算法则

o莱布尼兹公式

微分中值定理

o费马定理

o拉格朗日中值定理

o柯西中值定理

泰勒公式

o泰勒公式

欧拉公式

o欧拉公式

矩阵

o范数

o特征值分解,特征向量

o正定性

概率论

o条件概率

o独立

o概率基础公式

o全概率

o贝叶斯

o切比雪夫不等式

o抽球

o纸牌问题

o棍子/绳子问题

o贝叶斯题

o选择时间问题

o0~1均匀分布的随机器如何变化成均值为0,方差为1的随机器

o抽红蓝球球

数据预处理

数据平衡

o为什么要对数据进行采样

o是否一定需要对原始数据进行采样平衡

o有哪些常见的采样方法

o能否避免采样

o你平时怎么用采样方法

异常点处理

o统计方法

o矩阵分解方法

o特征值和特征向量的本质是什么

o矩阵乘法的实际意义

o密度的离群点检测

o聚类的离群点检测

o如何处理异常点

缺失值处理

o是不是一定需要对缺失值处理

o直接填充方法有哪些

o模型插值方法有哪些?及方法的问题

o如何直接离散化

ohold位填充方法有哪些

o怎么理解分布补全

orandom方法使用前提

o总结

特征选择

o为什么要做特征选择

o从哪些方面可以做特征选择

o既然说了两个方向,分别介绍一些吧

特征提取

o为什么需要对数据进行变换

o归一化和标准化之间的关系

o连续特征常用方法

o离散特征常用方法

o文本特征

o画一个最简单的最快速能实现的框架

机器学习

聚类

o请问从EM角度理解kmeans

o为什么kmeans一定会收敛

okmeans初始点除了随机选取之外的方法

线性回归

o损失函数是啥

o最小二乘/梯度下降手推

o介绍一下岭回归

o什么时候使用岭回归

o什么时候用Lasso回归

逻辑回归

ologistic分布函数和密度函数,手绘大概的图像

oLR推导,基础5连问

o梯度下降如何并行化

oLR明明是分类模型为什么叫回归

o为什么LR可以用来做CTR预估

o满足什么样条件的数据用LR最好

oLR为什么使用sigmoid函数作为激活函数?其他函数不行吗

o利用几率odds的意义在哪

oSigmoid函数到底起了什么作用

oLR为什么要使用极大似然函数,交互熵作为损失函数?那为什么不选平方损失函数的呢

oLR中若标签为+1和-1,损失函数如何推导?

o如果有很多的特征高度相关或者说有一个特征重复了100遍,会造成怎样的影响

o为什么要避免共线性

oLR可以用核么?可以怎么用

oLR中的L1/L2正则项是啥

olr加l1还是l2好

o正则化是依据什么理论实现模型优化

oLR可以用来处理非线性问题么

o为什么LR需要归一化或者取对数

o为什么LR把特征离散化后效果更好?离散化的好处有哪些

o逻辑回归估计参数时的目标函数逻辑回归的值表示概率吗

oLR对比万物

oLR梯度下降方法

oLR的优缺点

o除了做分类,你还会用LR做什么

o你有用过sklearn中的lr么?你用的是哪个包

o看过源码么?为什么去看

o谈一下sklearn.linear_model.LogisticRegression中的penalty和solver的选择

o谈一下sklearn.linear_model.LogisticRegression中对多分类是怎么处理的

o我的总结

决策树

o常见决策树

o简述决策树构建过程

o详述信息熵计算方法及存在问题

o详述信息增益计算方法

o详述信息增益率计算方法

o解释Gini系数

oID3存在的问题

oC4.5相对于ID3的改进点

oCART的连续特征改进点

oCART分类树建立算法的具体流程

oCART回归树建立算法的具体流程

oCART输出结果的逻辑

oCART树算法的剪枝过程是怎么样的

o树形结构为何不需要归一化

o决策树的优缺点

贝叶斯

o解释一下朴素贝叶斯中考虑到的条件独立假设

o讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别

o朴素贝叶斯中出现的常见模型有哪些

o出现估计概率值为 0 怎么处理

o朴素贝叶斯的优缺点

o朴素贝叶斯与 LR 区别

随机森林

o解释下随机森林

o随机森林用的是什么树

o随机森林的生成过程

o解释下随机森林节点的分裂策略

o随机森林的损失函数是什么

o为了防止随机森林过拟合可以怎么做

o随机森林特征选择的过程

o是否用过随机森林,有什么技巧

oRF的参数有哪些,如何调参

oRF的优缺点

集成学习

o介绍一下Boosting的思想

o最小二乘回归树的切分过程是怎么样的

o有哪些直接利用了Boosting思想的树模型

ogbdt和boostingtree的boosting分别体现在哪里

ogbdt的中的tree是什么tree?有什么特征

o常用回归问题的损失函数

o常用分类问题的损失函数

o什么是gbdt中的残差的负梯度

o如何用损失函数的负梯度实现gbdt

o拟合损失函数的负梯度为什么是可行的

o即便拟合负梯度是可行的,为什么不直接拟合残差?拟合负梯度好在哪里

oShrinkage收缩的作用

ofeature属性会被重复多次使用么

ogbdt如何进行正则化的

o为什么集成算法大多使用树类模型作为基学习器?或者说,为什么集成学习可以在树类模型上取得成功

ogbdt的优缺点

ogbdt和randomforest区别

oGBDT和LR的差异

oxgboost对比gbdt/boosting Tree有了哪些方向上的优化

oxgboost和gbdt的区别

oxgboost优化目标/损失函数改变成什么样

oxgboost如何使用MAE或MAPE作为目标函数

oxgboost如何寻找分裂节点的候选集

oxgboost如何处理缺失值

oxgboost在计算速度上有了哪些点上提升

oxgboost特征重要性是如何得到的

oxGBoost中如何对树进行剪枝

oxGBoost模型如果过拟合了怎么解决

oxgboost如何调参数

oXGboost缺点

oLightGBM对Xgboost的优化

oLightGBM亮点

FM/FFM

SVM

o简单介绍SVM

o什么叫最优超平面

o什么是支持向量

oSVM 和全部数据有关还是和局部数据有关

o加大训练数据量一定能提高SVM准确率吗

o如何解决多分类问题

o可以做回归吗,怎么做

oSVM 能解决哪些问题

o介绍一下你知道的不同的SVM分类器

o什么叫软间隔

oSVM 软间隔与硬间隔表达式

oSVM原问题和对偶问题的关系/解释原问题和对偶问题

o为什么要把原问题转换为对偶问题

o为什么求解对偶问题更加高效

oalpha系数有多少个

oKKT限制条件,KKT条件有哪些,完整描述

o引入拉格朗日的优化方法后的损失函数解释

o核函数的作用是啥

o核函数的种类和应用场景

o如何选择核函数

o常用核函数的定义

o核函数需要满足什么条件

o为什么在数据量大的情况下常常用lr代替核SVM

o高斯核可以升到多少维?为什么

oSVM和逻辑斯特回归对同一样本A进行训练,如果某类中增加一些数据点,那么原来的决策边界分别会怎么变化

o各种机器学习的应用场景分别是什么?例如,k近邻,贝叶斯,决策树,svm,逻辑斯蒂回归

oLinear SVM 和 LR 有什么异同

深度学习

dropout

batch_normalization

o你觉得bn过程是什么样的

o手写一下bn过程

o知道LN么?讲讲原理

bp过程

embedding

softmax

梯度消失/爆炸

残差网络

o介绍残差网络

o残差网络为什么能解决梯度消失的问题

o残差网络残差作用

o你平时有用过么?或者你在哪些地方遇到了

Attention

oAttention对比RNN和CNN,分别有哪点你觉得的优势

o写出Attention的公式

o解释你怎么理解Attention的公式的

oAttention模型怎么避免词袋模型的顺序问题的困境的

oAttention机制,里面的q,k,v分别代表什么

o为什么self-attention可以替代seq2seq

o维度与点积大小的关系是怎么样的,为什么使用维度的根号来放缩

自然语言处理

GloVe

oGolVe的损失函数

o解释GolVe的损失函数

o为什么GolVe会用的相对比W2V少

Word2Vec

o从隐藏层到输出的Softmax层的计算有哪些方法

o层次softmax流程

o负采样流程

oword2vec两种方法各自的优势

o怎么衡量学到的embedding的好坏

oword2vec和glove区别

o你觉得word2vec有哪些问题

CRF

o阐述CRF原理

o线性链条件随机场的公式是

oCRF与HMM区别

oBert+crf中的各部分作用详解

LDA

o详述LDA原理

oLDA中的主题矩阵如何计算

oLDA的共轭分布解释下

oPLSA和LDA的区别

o怎么确定LDA的topic个数

oLDA和Word2Vec区别?LDA和Doc2Vec区别

oLDA算法里面Dirichlet分布的两个参数alpha和beta怎样确定?trick?

LSTM

GRU

Bert:实现/使用的代码

oBert的双向体现在什么地方

oBert的是怎样预训练的

o在数据中随机选择 15% 的标记,其中80%被换位[mask],10%不变、10%随机替换其他单词,原因是什么

o为什么BERT有3个嵌入层,它们都是如何实现的

obert的损失函数

o手写一个multi-head attention

o长文本预测如何构造Tokens

o你用过什么模块?bert流程是怎么样的

o知道分词模块:FullTokenizer做了哪些事情么

oBert中如何获得词意和句意

o源码中Attention后实际的流程是如何的

o为什么要在Attention后使用残差结构

o平时用官方Bert包么?耗时怎么样

o你觉得BERT比普通LM的新颖点

oelmo、GPT、bert三者之间有什么区别

推荐

DIN:实现/使用的代码

o主要使用了什么机制

oactivation unit的作用

oDICE怎么设计的

oDICE使用的过程中,有什么需要注意的地方

DeepFM:实现/使用的代码

oDNN与DeepFM之间的区别

oWide&Deep与DeepFM之间的区别

o你在使用deepFM的时候是如何处理欠拟合和过拟合问题的

oDeepFM怎么优化的

o不定长文本数据如何输入deepFM

odeepfm的embedding初始化有什么值得注意的地方吗

Xavier初始化

He初始化

YoutubeNet:实现/使用的代码

o变长数据如何处理的

oinput是怎么构造的

o最后一次点击实际如何处理的

ooutput的是时候train和predict如何处理的

o如何进行负采样的

oitem向量在softmax的时候你们怎么选择的

oExample Age的理解

o什么叫做不对称的共同浏览(asymmetric co-watch)问题

o为什么不采取类似RNN的Sequence model

oYouTube如何避免百万量级的softmax问题的

oserving过程中,YouTube为什么不直接采用训练时的model进行预测,而是采用了一种最近邻搜索的方法

oYoutube的用户对新视频有偏好,那么在模型构建的过程中如何引入这个feature

o在处理测试集的时候,YouTube为什么不采用经典的随机留一法(random holdout),而是一定要把用户最近的一次观看行为作为测试集

o整个过程中有什么亮点?有哪些决定性的提升

Wide&Deep

MLR

Neural Network全家桶

XDeepFM:实现/使用的代码

o选用的原因,考虑使用的场景是什么

o什么叫显示隐式?什么叫元素级/向量级?什么叫做高阶/低阶特征交互

o简单介绍一下XDeepFm的思想

o和DCN比,有哪些核心的变化

o时间复杂度多少

相关文章:

23年校招DL/NLP/推荐系统/ML/算法基础面试必看300问及答案

2020年校招已经开始了,在疫情全球肆虐的背景下,全球就业情况异常艰难,加上美国对中国企业打压持续升级,对于马上开始秋招找工作的毕业生而言,更是难上加难。我们不能凭一己之力改变现状,但我们可以凭借自己…...

Python基础知识汇总(字符串二)

目录 检索字符串 count()方法 find()方法 in关键字 index()方法 rindex()方法 startswith()方法...

【FPGA】Verilog:实现十六进制七段数码管显示 | 7-Segment Display

写在前面:本章主要内容为理解七点数码管显示的概念,并使用 Verilog 实现。生成输入信号后通过仿真确认各门的动作,通过 FPGA 检查在 Verilog 中实现的电路的操作。 Ⅰ. 前置知识 七段数码管是利用多重输出功能的非常有用的元件。该元件用于字…...

Android开发:Activity启动模式

1.怎样设置Activity的启动模式 可以在清单文件中自己添加活动的启动模式, android : launchMode"standard", 不写的话系统默认就是标准模式. 2.启动模式 2.1.默认启动模式 标准启动模式就是栈, 打开一个活动就将活动压入栈中, 返回就将活动退出栈中. 不同的Activit…...

01_Docker 简介

01_Docker 简介 文章目录01_Docker 简介1.1 Docker 简介1.2 Docker 组件1.2.1 Docker 客户端和服务区1.2.2 Docker 镜像1.2.3 Registry1.2.4 Docker 容器参考资料https://www.runoob.com/docker/ubuntu-docker-install.html 1.1 Docker 简介 Docker 是一个能够把开发的应用程…...

一文精通MVCC机制

MVCC(Multi-Version Concurrency Control)多版本并发控制机制使用串行化隔离级别时,mysql会将所有的操作加锁互斥,来保证并发安全。这种方式必然降低并发性能。mysql在读已提交和可重复读隔离级别下,对一行数据的读和写两个操作默认是不会通过…...

商用ESP32协议采集器源码分享开篇

这是一个关于chatGPT帮助嵌入式程序员开发商业项目的故事. 在开发这个项目的过程中,chatGPT发布了,在它的帮助下,项目开发量减少了10%,所以这个专栏,既是一个关于Micropython开发ESP32的专栏,也是一个程序员在AI的帮助下,提升效率,加速挣钱的案例. 看完之后,你将知道如何用mic…...

代码随想录算法训练营第三十四天 | 860.柠檬水找零,406.根据身高重建队列,452. 用最少数量的箭引爆气球

一、参考资料柠檬水找零https://programmercarl.com/0860.%E6%9F%A0%E6%AA%AC%E6%B0%B4%E6%89%BE%E9%9B%B6.html 根据身高重建队列 https://programmercarl.com/0406.%E6%A0%B9%E6%8D%AE%E8%BA%AB%E9%AB%98%E9%87%8D%E5%BB%BA%E9%98%9F%E5%88%97.html 用最少数量的箭引爆气球ht…...

DDR4介绍01

DDR4(第四代双倍数据率同步动态随机存储器SDRAM) 关于内存方面知识,大部分人、包括我自己也不是很懂,希望此篇文章能起到点作用,做硬件的就得把相关专业知识学牢了,尤其是专业术语。 下面是DDR4知识做一次…...

扫地机器人行业投资逻辑:国内以价换量元年,海外需求企稳回升

1、国内以价换量元年,投资逻辑由产品迭代转向行业的渗透率提升 2019-2022 年国内扫地机行业主要的投资逻辑是产品迭代的价增带动销额增长。 2019-2022 年国内热销的扫地机产品从单机向自清洁扫地机、全能基站扫地机持续迭 代升级,产品功能日益完善、瞄准用户痛点更新,真正实…...

(考研湖科大教书匠计算机网络)第四章网络层-第七节:IPv4数据报首部格式

获取pdf:密码7281专栏目录首页:【专栏必读】考研湖科大教书匠计算机网络笔记导航 文章目录一:IP数据报首部格式概述二:各字段作用概述(1)版本(2)首部长度和可选字段(3&am…...

每天10个前端小知识 【Day 18】

前端面试基础知识题 1.如何实现单行/多行文本溢出的省略样式? 在日常开发展示页面,如果一段文本的数量过长,受制于元素宽度的因素,有可能不能完全显示,为了提高用户的使用体验,这个时候就需要…...

【Java集合类】ArrayList

内部结构 ArrayList内部核心是一个Object数组elementDataObject数组的长度(length)视为ArrayList当前的容量(capacity)size对象表示ArrayList当前的元素个数 类上的重要注释 内部是Object数组 允许put null值,会自动扩容 size、…...

页面置换算法

页面置换算法 在进程运行过程中,若需要访问的物理块不在内存中,就需要通过一定的方式来将页面载入内存,而此时内存很可能已无空闲空间,因此就需要一定的算法来选择内存中要被置换的页面,这种算法就被称为页面置换算法…...

算法导论【在线算法】—The Ski-Rental Problem、The Lost Cow Problem、The Secretary Problem

算法导论【在线算法】The Ski-Rental Problem问题描述在线算法证明The Lost Cow Problem问题描述在线算法类似问题—寻宝藏The Secretary Problem问题描述在线算法The Best Possible kThe Ski-Rental Problem 问题描述 假设你正在上滑雪课。每节课结束后,你决定&a…...

linux 下怎样给pdf 文件加书签

linux 下怎样给pdf 文件加书签 对于没有书签的pdf文件,怎样给pdf加标签呢? 以方便阅读. 以前总是要借助windows下pdf 工具, 叫什么来者? 忘了 记得是编辑一个用tab表示目录级别的文本文件, 有一种直观的感觉,大目录下嵌套着小目录 ..., 然后导入到文件中 linux 下有没有这种…...

[软件工程导论(第六版)]第2章 可行性研究(课后习题详解)

文章目录1. 在软件开发的早期阶段为什么要进行可行性研究?应该从哪些方面研究目标系统的可行性?2. 为方便储户,某银行拟开发计算机储蓄系统。储户填写的存款单或取款单由业务员输入系统,如果是存款,系统记录存款人姓名…...

[软件工程导论(第六版)]第3章 需求分析(课后习题详解)

文章目录1. 为什么要进行需求分析?通常对软件系统有哪些需求?2. 怎样与用户有效地沟通以获取用户的真实需求?3. 银行计算机储蓄系统的工作过程大致如下:储户填写的存款单或取款单由业务员输入系统,如果是存款则系统记录…...

基于分布鲁棒联合机会约束的能源和储备调度(Matlab代码实现)

👨‍🎓个人主页:研学社的博客 💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜…...

ETL和数据建模

一、什么是ETL ETL是数据抽取(Extract)、转换(Transform)、加载(Load )的简写,它是将OLTP系统中的数据经过抽取,并将不同数据源的数据进行转换、整合,得出一致性的数据&…...

ccc-pytorch-回归问题(1)

文章目录1.简单回归实战:2.手写数据识别1.简单回归实战: 用 线性回归拟合二维平面中的100个点 公式:ywxbywxbywxb 损失函数:∑(yreally−y)2\sum(y_{really}-y)^2∑(yreally​−y)2 迭代方法:梯度下降法,…...

【JAVA八股文】框架相关

框架相关1. Spring refresh 流程2. Spring bean 生命周期3. Spring bean 循环依赖解决 set 循环依赖的原理4. Spring 事务失效5. Spring MVC 执行流程6. Spring 注解7. SpringBoot 自动配置原理8. Spring 中的设计模式1. Spring refresh 流程 Spring refresh 概述 refresh 是…...

二叉树的相关列题!!

对于二叉树,很难,很难!笔者也是感觉很难!虽然能听懂课程,但是,对于大部分的练习题并不能做出来!所以感觉很尴尬!!因此,笔者经过先前的那篇博客,已…...

Java设计模式 - 原型模式

简介 原型模式(Prototype Pattern)是用于创建重复的对象,同时又能保证性能。这种类型的设计模式属于创建型模式,它提供了一种创建对象的最佳方式。 这种模式是实现了一个原型接口,该接口用于创建当前对象的克隆。当直…...

深度学习中的 “Hello World“

Here’s an interesting fact—Each month, there are 186.000 Google searches for the keyword “deep learning.” 大家好✨,这里是bio🦖。每月有超18万的人使用谷歌搜索深度学习这一关键词,是什么让人们对深度学习如此感兴趣?接下来请跟随我来揭开深度学习的神秘面纱。…...

购买WMS系统前,有搞清楚与ERP仓库模块的区别吗

经常有朋友在后台询问我们关于WMS系统的问题,他们自己也有ERP系统,但是总觉得好像还差了点什么,不知道是什么。今天,我想通过本文,来向您简要地阐述ERP与WMS系统在仓储管理上的不同之处。 ERP仓库是以财务为导向的&…...

一文吃透 Spring 中的IOC和DI

✅作者简介:2022年博客新星 第八。热爱国学的Java后端开发者,修心和技术同步精进。 🍎个人主页:Java Fans的博客 🍊个人信条:不迁怒,不贰过。小知识,大智慧。 💞当前专栏…...

分布式任务处理:XXL-JOB分布式任务调度框架

文章目录1.业务场景与任务调度2.任务调度的基本实现2.1 多线程方式实现2.2 Timer方式实现2.3 ScheduledExecutor方式实现2.4 第三方Quartz方式实现3.分布式任务调度4.XXL-JOB介绍5.搭建XXL-JOB —— 调度中心5.1 下载与查看XXL-JOB5.2 创建数据库表5.3 修改默认的配置信息5.4 启…...

【源码解析】Ribbon和Feign实现不同服务不同的配置

Ribbon服务实现不同服务,不同配置是通过RibbonClient和RibbonClients两个注解来实现的。RibbonClient注册的某个Client配置类。RibbonClients注册的全局默认配置类。 Feign实现不同服务,不同配置,是根据FeignClient来获取自定义的配置。 示…...

【webpack5】一些常见优化配置及原理介绍(二)

这里写目录标题介绍sourcemap定位报错热模块替换(或热替换,HMR)oneOf精准解析指定或排除编译开启缓存多进程打包移除未引用代码配置babel,减小代码体积代码分割(Code Split)介绍预获取/预加载(prefetch/pre…...

住房城乡建设网站查询/seo和网络推广有什么区别

我试图让这个模块在服务器上工作,我收到标题中的错误:我的剧本:from bs4 import BeautifulSoup当我运行它:aclarktycho ~ % python test.pyTraceback (most recent call last):File "test.py", line 1, in from bs4 import Beautif…...

北京礼品网站建设/网络营销的六大功能

入门三问: 组的概念是什么?为什么引入它?有什么用? 答:通过组可以更加方便的管理用户,组的概念应用于各行行业,例如企业会使用部门、职能或地理区域的分类方式来管理成员,映射在Li…...

wp网站怎么用插件做html网页/济南优化网站关键词

直接把下面代码复制到你要填写的url地址 <?php //定义常量token define(TOKEN,weixin); //检查标签function checkSignature(){//先获取到这三个参数$signature $_GET[signature]; $nonce $_GET[nonce]; $timestamp $_GET[timestamp]; //把这三个参数存到一个数组里面…...

个体工商户做网站/seo专员是什么意思

按照先后顺序&#xff1a;1&#xff0c;静态先于非静态代码库执行&#xff08;静态代码块随着类的加载而加载&#xff0c;初始化只执行一次&#xff09;2&#xff0c;父类先于子类3&#xff0c;非静态代码块优于构造函数执行所以执行顺序如下&#xff1a;父类&#xff22;静态代…...

wordpress 4.7.3 id/专业做灰色关键词排名

盒马app刚出现&#xff0c;就吸足了眼球。最近看了看盒马界面&#xff0c;很Q&#xff0c;就想着仿照app写个小程序。 功能介绍 好奇微信小程序是如何制作的&#xff0c;也对盒马app感兴趣&#xff0c;就尝试写了这个盒马小程序。实现了app的部分功能&#xff0c;还有部分功能未…...

个人网站建设的流程/游戏推广员骗局

Linux 网络设备驱动程序的体系结构 图片说明如下&#xff1a;网络协议接口层 网络协议接口层向网络层协议提供统一的数据包收发接口&#xff0c;不论上层协议是ARP还是IP,都通过 dev_queue_xmit() 函数发送数据&#xff0c; 并通过 netif_rx() 函数接受数据&#xff0c;这一层的…...