AI产品经理面试
把优秀当习惯把优秀当习惯肯定不是口头说说,那有什么判断标准吗? 当我做完一件事儿的时候,我会看它有没有突破我的舒适圈、能不能惊艳到我自己。这就是我的判断标准。
在自我介绍和经历介绍时,面试者应该注重以下几个方面:
-
结构清晰:自我介绍和经历介绍应该有一个清晰的结构,按照时间线或者相关性逻辑组织内容,使面试官能够清楚地理解你的经历和成就。
-
强调亮点和成就:在介绍工作经历时,突出你在该职位上的亮点和取得的成就。具体说明你负责的项目、问题和挑战,以及你所采取的解决方案和取得的成果,包括数据和指标的改善,业务影响等。
-
产品思维和设计能力:除了描述你的工作内容,还应该突出展示你的产品思维和设计能力。说明你如何理解用户需求,如何进行市场调研,如何制定产品策略和规划,并通过产品设计和优化达到用户满意度和业务目标。
-
数字和数据支持:为了增加说服力,尽量提供具体的数据和指标支持。例如,产品的用户增长率、用户满意度调查结果、产品功能的使用率等。这些数据可以展示你的工作成果和对业务的贡献。
-
合理的项目选择:在介绍经历时,选择与目标岗位相关的项目进行描述。重点突出与AI产品管理相关的经历和技能,例如应用机器学习算法进行用户行为分析、开发基于AI技术的推荐系统等。
最重要的是,要根据面试官的问题和关注点来有针对性地准备和回答。了解目标公司的需求和岗位要求,将自己的经历和能力与之对应,以展现自己的价值和适应性。此外,在介绍经历时,可以使用故事化的方式来吸引面试官的注意,并通过实例和细节来支持你的描述。记住,用具体、清晰和有说服力的语言来展示你的经验和能力,给面试官留下深刻印象。
在介绍工作内容时,可以参考以下要点:
-
引入项目背景:首先简要介绍所在公司或团队的背景和所负责的产品或领域,以便面试官了解项目的背景信息。
-
项目概述:明确说明你在该项目中的角色和职责,并简要描述该项目的目标和挑战。突出强调该项目对业务的重要性和价值。
-
方法和过程:阐述你采取的方法和过程,包括数据收集与分析、用户研究、需求分析、解决方案设计等。强调你的分析能力和逻辑思维,并说明你如何应用产品知识和技术来解决问题。
-
项目成果:提供具体的数据和指标支持,展示项目的成果和影响。例如,用户留存模型的项目中,可以提及留存率的改善情况、用户行为的变化等。这些数据可以量化你的工作成果,并展示你的贡献。
-
合作与沟通:强调你在项目中与团队成员、算法工程师、设计师等的合作与沟通,说明你的协作能力和团队合作精神。
-
总结与反思:在结束时,可以对项目进行总结,并提及你从项目中学到的经验和教训,以展示你的学习能力和成长潜力。
重要的是要确保你的回答具有逻辑性、真实性和数据支持,并展示出你的产品思维、解决问题的能力以及对业务的理解。同时,适当地结合项目的具体细节和数据表现,使回答更加生动有趣。最后,准备充分并进行反复练习,以确保自己的回答流畅、有条理,并能够充分展示你的能力和潜力。
产品行业认知接下来,请说说你们产品的主要竞品是谁?
你认为的行业现状什么样? 你对行业未来发展趋势的理解,以及你最喜欢的一款 AI 产品是什么?
回答问题时,可以按照以下结构化思维逻辑进行回答:
-
引入问题背景:简要介绍业务方提出的需求,即通过AI预测有购买花需求的用户,并向他们发送推送通知。
-
产品定义:明确阐述这项产品的背景、价值和预期目标。例如,通过AI预测购买花需求的用户,可以提高用户参与度和购买转化率,从而增加销售额和用户满意度。
-
技术预研:评估当前可用的数据和算法,判断是否可以满足业务需求。如果有现有的数据和算法,说明可以直接利用;如果不够,提出数据采集和算法开发的需求,并协调相关团队进行预研。
-
数据准备:与数据团队合作,准备需要的数据集,包括用户行为数据、历史购买数据等。确保数据的准确性和完整性,以便后续的模型构建和预测。
-
模型构建:协助算法团队进行模型构建,包括特征工程、模型选择和训练等。与算法团队密切合作,确保模型的准确性和效果。
-
工程建设:与研发团队、算法团队以及其他相关团队协调合作,推进需求的产品化落地工作。确保产品的稳定性、可扩展性和用户体验。
-
效果评估:上线后,持续监控产品效果,包括模型的准确性、用户参与度的提升和销售转化率的改善等。根据效果评估结果,进行迭代优化,不断提升产品的价值和效果。
在回答问题时,结合自己的经验和行业知识,可以提供一些具有启发性的答案。例如,可以提及类似的案例或成功经验,分享在类似产品开发过程中遇到的挑战和解决方案,以及行业内的最佳实践和趋势。这样可以展示你的深入思考和行业洞察力,增加你作为候选人的竞争力。
AI 技术问题
问题1:我对AI或人工智能行业持乐观态度。目前,人工智能已经在许多行业得到广泛应用,如金融、医疗、零售和制造等。AI技术的不断进步和成熟,为企业提供了巨大的机会和挑战。我认为人工智能行业正在迅速发展,并且将持续成为未来的关键技术领域。
我密切关注AI行业中的一些新技术和新应用。例如,近年来,深度学习、自然语言处理和计算机视觉等技术的突破,使得人工智能在图像识别、语音识别、智能助理等领域取得了重大进展。此外,强化学习和自动驾驶等领域也受到了广泛的关注和投资。
我的独特观点是,AI不仅仅是一项技术,而是一种推动社会进步和创新的力量。随着技术的不断发展和应用的扩大,AI将深刻改变人们的工作方式、生活方式和社会结构。同时,我认为在AI发展的过程中,我们需要关注伦理、隐私和安全等重要问题,以确保人工智能的发展能够造福整个社会。
问题2:通过AI技术,可以在业务场景中提升用户体验的多个方面。举例来说,对于电商平台,AI可以通过推荐系统个性化推荐商品,提供更准确的搜索结果,从而提高用户的购物体验。在客服领域,AI可以通过自然语言处理和智能对话系统,实现智能客服,提供快速、准确的问题解答和服务。在智能家居领域,AI可以实现智能语音助手,使用户可以通过语音控制设备,提供更便捷的生活体验。总的来说,AI技术可以帮助优化业务流程,提高效率,减少人为错误,提供个性化的服务,从而提升用户的满意度和体验。
问题3:针对竞品公司,我需要了解具体的市场情况和行业背景。在人工智能行业中,有许多具有竞争力的公司。以图像识别技术为例,商汤和依图是知名的AI技术公司,它们在图像识别领域有着深厚的技术积累和丰富的应用经验。这些
项目流程问题
问题4:我们的模型构建流程通常包括以下几个阶段:
-
筹备阶段:在这个阶段,我们与团队成员和相关利益相关者合作,明确项目的目标和范围。我们确定项目所需的数据集、技术要求和资源配备,并制定项目计划和时间表。
-
数据准备阶段:在这个阶段,我们收集和准备所需的数据集。这可能涉及数据的获取、清洗、标注和格式转换等工作。我们还会对数据进行分析和探索,以确保其质量和适用性。
-
模型开发阶段:在这个阶段,我们根据项目的需求和目标选择适当的机器学习算法和模型架构。我们进行特征工程,选择和提取最相关的特征,并进行模型训练和调优。在这个阶段,我们可能会进行多次迭代,以改进模型的性能和准确性。
-
模型评估阶段:在这个阶段,我们对训练好的模型进行评估和验证。我们使用验证数据集对模型进行测试,评估其性能和泛化能力。如果需要,我们可能会进行模型调整和改进,以达到预期的效果。
-
上线部署阶段:在这个阶段,我们将训练好的模型部署到实际应用环境中。我们将模型集成到相应的系统中,并进行系统测试和性能优化。同时,我们确保模型的稳定性、安全性和可扩展性。
在整个流程中,AI产品经理需要与数据科学家、算法工程师、软件工程师等团队成员密切合作。他们共同负责项目的规划、数据准备、模型开发和评估、以及上线部署等工作。产品经理需要确保项目按计划进行,满足业务需求,并与相关利益相关者进行沟通和协调。
问题5:AI产品经理和传统产品经理之间存在一些区别。传统产品经理主要关注产品的功能、用户需求和商业目标,而AI产品经理除了这些方面,还需要具备一定的技术和算法理解能力。
AI产品经理需要了解AI技术的基本原理和应用场景,并能够与数据科学家和工程师进行有效的沟通和协作。他们需要理解不同的机器学习算法和模型,并能够评估其在产品中的适用性和效果。
此外,AI产品经理还需要关注数据的质量和可用性,以及隐私和伦理等问题。
基础技术问题
问题6:特征清洗是对数据中的特征进行处理和清理,以保证数据的质量和准确性。这包括去除重复值、处理缺失值、处理异常值等操作。特征清洗的目的是为了减少噪音和干扰,提高模型的准确性和可靠性。
数据变换是将原始数据转换成适合模型训练和分析的形式。常见的数据变换操作包括归一化、标准化、离散化、特征编码等。数据变换的目的是为了消除不同特征之间的量纲差异,提高模型的训练效果和泛化能力。
问题7:训练集是用来训练模型的数据集,模型通过学习训练集中的样本来建立自己的参数和模式。
验证集是用来评估模型在训练过程中的性能和调优的数据集。在模型训练过程中,可以使用验证集来选择最佳的模型参数,避免过拟合。
测试集是用来评估最终模型性能的数据集。在模型训练完成后,使用测试集来检验模型的泛化能力和预测准确性。
问题8:过拟合是指模型在训练集上表现非常好,但在新数据上表现较差的现象。过拟合通常是因为模型过于复杂,过多地拟合了训练集中的噪音和细节,导致对新数据的泛化能力较差。
欠拟合是指模型无法很好地拟合训练集和测试集,预测结果与实际结果之间存在较大的偏差。欠拟合通常是因为模型过于简单,无法捕捉数据中的复杂关系和模式,导致预测效果较差。
问题9:跨时间测试(Out-of-Time Testing,OOT测试)是一种评估模型在时间上的稳定性和泛化能力的方法。它将数据按时间顺序划分为训练集和测试集,确保测试集中的数据在训练集之后的时间段。
回溯测试是在模型已经上线后,使用过去某个时间段的真实数据来评估模型在历史环境中的表现。通过回溯测试,可以了解模型在过去时间段的预测准确性和效果,以便进行模型的优化和改进。
问题10:机器学习的三大类应用场景是分类问题、回归问题和聚类问题。
分类问题是将样本划分到不同的。
模型评估问题
问题11:模型的好坏可以通过模型评估指标进行衡量,其中包括统计性指标、模型性能指标和模型稳定性指标。
统计性指标主要用于描述模型输出结果的覆盖度、最大值、最小值、人群分布等指标,可以帮助我们了解模型的整体情况和数据的分布特征。
模型性能指标用于评估模型在预测和分类任务中的表现。对于分类问题,常用的性能指标包括混淆矩阵、准确率、精确率、召回率、F1 值、AUC 等。对于回归问题,常用的性能指标包括平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 方等。
模型稳定性指标用于评估模型在不同时间点或不同数据集上的稳定性和一致性。常用的稳定性指标包括 PSI(Population Stability Index)等。
问题12:ROC 曲线(Receiver Operating Characteristic Curve)是一种用于评估二分类模型性能的曲线。ROC 曲线的横轴是假阳性率(False Positive Rate,FPR),纵轴是真阳性率(True Positive Rate,TPR)。
ROC 曲线是通过改变分类模型的分类阈值,计算不同阈值下的 FPR 和 TPR,然后绘制出的一条曲线。ROC 曲线能够反映出模型在不同阈值下的性能表现。曲线上的每个点代表了一个特定的阈值下的模型性能,通过计算曲线下的面积(AUC)可以评估模型的整体性能。
问题13:AUC(Area Under the Curve)指的是 ROC 曲线下的面积大小。AUC 是一种常用的模型评估指标,它能够量化地衡量分类模型的性能。AUC 的取值范围在 0.5 到 1 之间,AUC 值越大,说明模型的性能越好。
AUC 反映了模型正确分类正样本的能力与错误分类负样本的能力之间的平衡关系。当 AUC 等于 0.5 时,说明模型的预测能力等同于随机猜测;当 AUC 大于 0.5 时,说明模型的预测能力优于随机猜测,AUC 越接近 1,模型的性能越好。
经典算法问题
问题14:逻辑回归和线性回归之间的主要区别在于它们解决的问题类型和使用的模型。
逻辑回归用于解决分类问题,其目标是预测样本属于某个类别的概率。逻辑回归使用的是逻辑函数(如Sigmoid函数)将线性回归模型的输出映射到[0, 1]的范围,表示概率值。逻辑回归适用于二分类问题和多分类问题。
线性回归用于解决回归问题,其目标是预测一个连续变量的值。线性回归使用的是线性函数,通过拟合数据点与直线之间的最小平方误差来确定模型参数。线性回归适用于预测数值型的输出,如房价、销售量等。
另一个区别是它们使用的损失函数不同。线性回归使用的是最小平方误差(MSE)作为损失函数,而逻辑回归使用的是对数损失函数(也称为逻辑损失函数或交叉熵损失函数)。
问题15:KNN(K-Nearest Neighbors)是一种基于距离的简单分类算法。其核心原理是“近朱者赤近墨者黑”。
KNN 根据样本之间的距离来进行分类。对于给定的测试样本,KNN 在训练集中找到与之距离最近的 K 个邻居样本,然后根据这 K 个邻居样本的类别进行投票,将票数最多的类别作为测试样本的预测类别。
KNN 算法适用于数据量不多且特征相对简单的场景。它没有显式的训练过程,仅仅是存储了训练集的数据,因此对存储开销较大。KNN 的性能受到选择的距离度量和 K 值的影响。
问题16:聚类分析是一种无监督学习算法,用于将数据按照相似性进行分组。其目标是让同一组内的个体具有较高的相似度,不同组之间具有较大的差异性。
K-means 算法是聚类分析中最常用的方法之一。它是一种基于距离的聚类算法。K-means 算法首先随机选择 K 个聚类中心,然后迭代地将样本点分配到最近的聚类中心,再更新聚类中心的位置,直到达到收敛条件。
K-means 算法通过最小化聚类中心与样本点
之间的距离来确定最佳的聚类结果。聚类中心的选择和距离度量方式对聚类结果有重要影响。K-means 算法易于实现和理解,但对初始聚类中心的选择敏感,且对离群点较为敏感。
问题17:决策树模型是一种基于树形结构的分类与回归方法。决策树模型具有直观性和可解释性的特点。
决策树通过对特征进行划分,构建一棵树来进行预测。从根节点开始,根据特征的取值将样本分配到不同的子节点,直到叶节点达到预定条件,或者无法进一步划分为止。每个叶节点表示一个类别或一个预测值。
决策树的优点包括可解释性好、对数据分布和特征缩放不敏感,适用于处理分类和回归问题。但决策树容易过拟合,可以通过剪枝等方法进行优化。
随机森林是基于决策树的集成学习方法,通过构建多棵决策树并综合它们的结果来进行预测。随机森林通过随机选择特征子集和样本子集来增加模型的多样性,提高模型的泛化能力。
场景案例问题
问题18:设计一个推荐类的产品的例子可以是一个电影推荐系统。下面是设计的基本策略和工作内容:
-
召回阶段:
- 使用协同过滤算法进行用户-电影之间的相似度计算,召回与用户兴趣相似的电影。
- 使用基于内容的推荐方法,考虑电影的属性(如类型、导演、演员等),召回与用户历史观影记录相关的电影。
- 结合实时数据,比如热门电影、新上映电影等,召回当前热门或趋势电影。
-
排序阶段:
- 基于用户行为数据,如点击、评分、观看时长等,进行CTR(点击率)预估,为每个召回的电影计算一个排序分数。
- 考虑多个因素,如用户画像、电影流行度、用户活跃度等,综合计算电影的最终排序分数。
-
调整阶段:
- 根据用户反馈和行为数据,对推荐结果进行调整和优化。
- 使用A/B测试等方法评估推荐算法的效果,进行模型迭代和优化。
问题19:设计一个预测类的产品的例子可以是一个用户购买行为预测模型。下面是设计的基本策略和工作内容:
-
数据准备:
- 收集用户的历史购买数据,包括用户的个人信息、购买记录、时间信息等。
- 清洗和预处理数据,处理缺失值、异常值等。
-
模型构建:
- 根据业务需求,选择适当的机器学习算法,如逻辑回归、随机森林等。
- 划分训练集和测试集,用训练集训练模型,并进行特征选择和参数调优。
- 根据任务类型(分类或回归),建立相应的模型。
-
模型验收:
- 使用测试集评估模型的性能,比如准确率、召回率、F1值等指标。
- 进行模型的优化和改进,如特征工程、调整模型参数等。
-
部署上线:
- 将训练好的模型部署到生产环境中,与实际业务系统进行集成。
- 定期监控模型的表现,并进行模型的更新和迭代。
问题20:设计一个自然语言类的产品的例子可以是一个用户评论分析挖掘的产品。下面是设计的基本策略和工作内容:
- NLP能做什么:
- 文本分类:将用户评论分
为正面、负面或中性等类别。
- 情感分析:分析用户评论的情感倾向,如积极、消极或中性。
- 用户标签挖掘:从评论中提取关键词或短语,为用户添加标签或关键词。
- 评论相似度分析:计算评论之间的相似度,用于推荐相似评论或相关内容。
- 评分质量打分:对用户评论的质量进行评估,如真实性、准确性等。
- 具体工作内容:
- 使用文本分类算法对用户评论进行分类,如使用支持向量机(SVM)或深度学习模型进行训练和预测。
- 应用情感分析算法,如使用情感词典或深度学习模型,分析评论中的情感倾向。
- 使用关键词提取算法,如TF-IDF或TextRank,提取用户评论中的关键词或短语。
- 计算评论之间的相似度,可以使用词向量模型(如Word2Vec)或文本相似度算法(如余弦相似度)。
- 设计评分质量打分模型,基于评论的特征(如评论长度、语法准确性等)进行评估和打分。
这些工作涉及到文本预处理、特征提取、模型训练和评估等环节,需要综合运用NLP相关算法和技术。
## 如何转行/入门AI产品经理?
现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,转行/入门AI产品经理,但是却找不到适合的方法去学习。
作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。
我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。
![](https://img-blog.csdnimg.cn/img_convert/3981df2ffba898ff734770d8824eb431.png)
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI产品经理入门手册
三、AI大模型视频教程
四、AI大模型各大学习书籍
五、AI大模型各大场景实战案例
六、结束语
学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。
再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。
因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
相关文章:
![](https://img-blog.csdnimg.cn/direct/59b4a9db64e44ea781bfdc2774f1c0ba.png)
AI产品经理面试
把优秀当习惯把优秀当习惯肯定不是口头说说,那有什么判断标准吗? 当我做完一件事儿的时候,我会看它有没有突破我的舒适圈、能不能惊艳到我自己。这就是我的判断标准。 在自我介绍和经历介绍时,面试者应该注重以下几个方面…...
![](https://img-blog.csdnimg.cn/direct/50b04377a7b7411aad953fd2a14d3a50.png)
二进制方式部署consul单机版
1.consul的下载 mkdir -p /root/consul/data && cd /root/consul wget https://releases.hashicorp.com/consul/1.18.0/consul_1.18.0_linux_amd64.zip unzip consul_1.18.0_linux_amd64.zip mv consul /usr/local/bin/ 2.配置文件 // 配置文件路径: /roo…...
![](https://img-blog.csdnimg.cn/direct/6ba46f25a33a4cdc90354df201aeaa2e.png)
SpringBoot整合Quartz实现动态定时任务
目录 1、Quartz简介1.1 Quartz的三大核心组件1.2 CronTrigger配置格式 2、SpringBoot整合Quartz框架2.1 创建项目2.2 实现定时任务 1、Quartz简介 Quartz是一个开源的任务调度服务,它可以独立使用,也可与其它的Java EE,Java SE应用整合使用。…...
![](https://www.ngui.cc/images/no-images.jpg)
qt 用宏控制静态接口的统一
1.概要 /** * 单件宏实验 * 创建一个可以生成单件的宏 * 起因:想让有些控件单件,但是c不支持静态的继承(c#支持) * 那么如果保证这些接口的统一呢,用宏 */ 2.代码 2.1 a.h #ifndef A_H #define A_H#include &…...
![](https://img-blog.csdnimg.cn/direct/585a530d5d9f4b7aa8eb22200c5e501d.png)
pdf怎么转换成jpg,本地转换还是在线转换?
PDF(Portable Document Format)和JPG(Joint Photographic Experts Group)这两种文件格式在我们的日常生活和工作中扮演着举足轻重的角色。PDF因其跨平台、保持原样性强的特点,被广泛应用于文件传输和存储;而…...
![](https://www.ngui.cc/images/no-images.jpg)
【物联网】802.15.4简介
目录 一、概述 二、802.15.4主要特点 2.1 工作频段和数据速率 2.2 支持简单器件 2.3 信标方式和超帧结构 2.4 数据传输和低功耗 三、低功耗 一、概述 802.15.4包括用于低速无线个人域网(LR-WPAN)的物理层和媒体接入控制层两个规范。它能支持消耗功率最少,一般…...
![](https://www.ngui.cc/images/no-images.jpg)
C++基础语法:复制构造函数,赋值构造函数及浅复制,深复制
前言 "打牢基础,万事不愁" .C的基础语法的学习 引入 前一篇帖子C基础语法:类构造函数之普通构造函数-CSDN博客讲了普通构造函数,还有 复制构造函数,赋值运算符以及延伸出来的浅复制和深复制问题,做个补充. 内容主要参考自<<C Prime Plus>> 6th Edition …...
![](https://img-blog.csdnimg.cn/direct/3fabbcc3b5ea4a869ce9edf5d15ea1df.png)
架构是怎样练成的-楼宇监控系统案例
目录 概要 项目背景 原系统设计方案 改进后的设计方案 小结 概要 绝大多数人掌握的架构都是直接学习,慢慢地才能体会到一个架构的好处。架构是一种抽象,是为了复用目的而对代码做的抽象。通过一个项目的改造,理解架构是如何产生的&…...
![](https://img-blog.csdnimg.cn/direct/268f6c96053344f4a130dc2fe8b50bcc.png)
valgrind使用浅谈
1、Valgrind 简介 Valgrind是一款用于内存调试、内存泄漏检测以及性能分析的软件开发工具,它可在以下平台上运行: X86/Linux、AMD64/Linux、ARM/Linux、ARM64/Linux、PPC32/Linux、PPC64/Linux、PPC64LE/Linu x、S390X/Linux、MIPS32/Linux、MIPS64/Li…...
![](https://img-blog.csdnimg.cn/direct/a44fde25e9da41b3b13b4b5da4b8c1b2.png)
强化学习专题:强化学习知识梳理(一)
2024/6/23: 前段时间有幸完成了大学期间的第一篇论文。在面试之前复盘一下关于自己论文中DQN的一些相关点。 浅谈主要区别(在线 or 离线) 首先,一切的开始是强化学习中时序差分方程,这体现了强化学习方法的优化策略。在…...
![](https://img-blog.csdnimg.cn/direct/d2630746e22c418380d7beaf95d7654b.jpeg#pic_center)
深入JVM:详解JIT即时编译器
文章目录 深入JVM:详解JIT即时编译器一、序言二、基础概念1、何为JIT即时编译2、热点代码 三、HotSpot内置的即时编译器1、C1编译器2、C2编译器3、分层编译3.1 协作流程 四、常见JIT优化技术1、方法内联2、逃逸分析(1)同步锁消除(…...
![](https://img-blog.csdnimg.cn/direct/28654f5595f04b7c9d76b2dd5d618b23.png)
ORBSLAM3_ROS_Ubuntu18_04环境搭建安装
orbslam3安装 ORB-SLAM3配置及安装教程(2023.3)_orbslam3安装-CSDN博客 换源,换成国内的 搜索software 安装工具 sudo apt install git sudo apt update sudo apt install gcc g cmake安装 cmake安装新版本 ubuntu20.04安装cmake详细…...
![](https://img-blog.csdnimg.cn/direct/6e52aa2da0e141a6b95d5e3fc4b017c1.png#pic_center)
【opencv - C++ - Ubuntu】putText 显示中文最快方法
话不多说,直接上代码 #include <iostream> #include <opencv2/opencv.hpp> #include <opencv2/freetype.hpp>using namespace std; using namespace cv;int main(void) {Mat image(1000, 1800, CV_8UC3, Scalar(200,162,33));Ptr<freetype::F…...
![](https://img-blog.csdnimg.cn/direct/619ac939f093411386542357860bf055.png)
百度网盘下载速度慢的解决办法
目录 一、背景 二、解决办法 1、点击三个竖点,再点设置 2、点击传输,再点击去开启该功能 3、点击同意,开启优化速率 三、结果 四、备注 一、背景 当你不是百度网盘会员时,你在使用百度网盘下载时,是否下载速度太…...
![](https://www.ngui.cc/images/no-images.jpg)
Python api接口 异步
Python API接口异步编程简介 在现代的软件开发中,大多数应用都需要通过API接口与其他系统进行交互。Python是一种非常流行的编程语言,因此许多开发者选择使用Python来构建他们的API接口。在一些情况下,API接口需要进行异步编程,以…...
![](https://www.ngui.cc/images/no-images.jpg)
Java 和 Kotlin 单例模式写法对比
目录 1、饿汉模式 Java 写法: Kotlin 写法: Kotlin 这段代码反编译&简化后如下: 2、懒汉模式,静态同步方法 Java 写法: Kotlin 写法: Kotlin 这段代码反编译&简化后如下: 3、懒…...
![](https://www.ngui.cc/images/no-images.jpg)
解析connectionReset异常的原因与解决方案
解析connectionReset异常的原因与解决方案 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天我们将深入探讨Java中connectionReset异常的原因及其解决方案。这…...
![](./assets/Multi30K.png)
mindspore打卡第9天 transformer的encoder和decoder部分
mindspore打卡第9天 transformer的encoder和decoder部分 import mindspore from mindspore import nn from mindspore import ops from mindspore import Tensor from mindspore import dtype as mstypeclass ScaledDotProductAttention(nn.Cell):def __init__(self, dropout_…...
![](https://www.ngui.cc/images/no-images.jpg)
Python实现IPv4地址和16进制互相转换
Python实现IPv4地址和16进制互相转换 import socketdef ip_to_hex16(ipaddr):# 使用 socket 库中的方法将IP地址转换为网络字节序的二进制表示hex_bytes socket.inet_aton(ipaddr)# 将二进制数据转换为整数, 其中byteorderbig 表示使用大端字节序(从高位到低位&…...
![](https://img-blog.csdnimg.cn/direct/193c38d1071543d4a47ced2b24ec9615.png)
计算机视觉 | 基于图像处理和边缘检测算法的黄豆计数实验
目录 一、实验原理二、实验步骤1. 图像读取与预处理2. 边缘检测3. 轮廓检测4. 标记轮廓序号 三、实验结果四、完整代码 Hi,大家好,我是半亩花海。 本实验旨在利用 Python 和 OpenCV 库,通过图像处理和边缘检测算法实现黄豆图像的自动识别和计…...
![](https://img-blog.csdnimg.cn/direct/831c93e23df14cb7a64408f00820dc3e.png#pic_center)
深入分析 Android BroadcastReceiver (七)
文章目录 深入分析 Android BroadcastReceiver (七)1. 高级应用场景1.1 示例:动态权限请求1.2 示例:应用内通知更新 2. 安全性与性能优化2.1 示例:设置权限防止广播攻击2.2 示例:使用 LocalBroadcastManager2.3 示例:在…...
![](https://img-blog.csdnimg.cn/direct/5bbbe40f961643adba49aafd9b6672ef.png)
C++中的数据结构
一.STL标准库 结构:STL中有六大组件,分别是:容器,算法,迭代器,仿函数,配接器,配置器;以下分别介绍这六大组件中的最主要的三个。 1.容器 容器来配置存储空间,算法通过…...
![](https://img-blog.csdnimg.cn/direct/da917c558468480196da90ad8c65e84e.jpeg)
武汉星起航:一站式服务,助力亚马逊卖家高效运营,实现收益飞跃
在跨境电商的浪潮中,武汉星起航电子商务有限公司以其独特的一站式跨境电商服务,为众多亚马逊卖家提供了强有力的支持,助力他们在不断发展的市场中脱颖而出,实现收益的大幅提升。 武汉星起航的一站式跨境电商服务,以其…...
![](https://img-blog.csdnimg.cn/img_convert/b48cb07eb24cc62cbadde1689094f2af.png)
从灵感到实践:Kimi辅助完成学术论文选题的文艺之旅
学境思源,一键生成论文初稿: AcademicIdeas - 学境思源AI论文写作 昨天我们为大家介绍了ChatGPT辅助完成实现设计(AI与学术的交响:ChatGPT辅助下的实验设计新篇章)。今天我们再来看看Kimi对于论文选题都能提供哪些帮助…...
![](https://www.ngui.cc/images/no-images.jpg)
华为od-C卷200分题目4 -电脑病毒感染
华为od-C卷200分题目4 -电脑病毒感染 一个局域网内有很多台电脑,分别标注为0 - N-1的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t表示。其中网络内一个电脑被病毒感染,其感染网络内所有的电脑需要最少需要多长…...
![](https://img-blog.csdnimg.cn/direct/1319797446c946f2a1b48fdb49a80f19.png#pic_center)
show-overflow-tooltip 解决elementui el-table标签自动换行的问题
elementui中 el-table中某一行的高度不想因为宽度不够而撑开换行展示的解决方法。可通过show-overflow-tooltip属性解决,如下 代码是这样的 <el-table-column width"80" prop"id" label"ID"></el-table-column> <el…...
![](https://img-blog.csdnimg.cn/direct/79a3780f5f1a4024ac91875297bac760.png)
数字社交的领航者:解析Facebook的引领作用
在当今数字化社会中,社交网络已经成为了人们日常生活不可或缺的一部分。而在众多社交平台中,Facebook凭借其巨大的用户基础和创新的技术应用,被公认为数字社交领域的领航者之一。本文将深入解析Facebook在数字社交中的引领作用,探…...
![](https://www.ngui.cc/images/no-images.jpg)
深度分析 Apache Flink 窗口机制
什么是 Flink 窗口? Apache Flink 是一个用于处理实时流数据的开源框架,其核心功能之一是窗口(Window)机制。窗口是 Flink 在处理流数据时用于划分数据流的逻辑概念,它将无限的流数据切割成有限的、可管理的部分&…...
![](https://www.ngui.cc/images/no-images.jpg)
ubuntu 软链接(ubuntu20.04)
ubuntu 软链接(ubuntu20.04) 在Ubuntu和其他Linux系统中,软链接(也称为符号链接)是文件系统中的一个特殊类型的文件,它作为一个引用或指针,指向另一个文件或目录。软链接类似于Windows中的快捷…...
![](https://img-blog.csdnimg.cn/img_convert/d2052a72e61116bb37f45a350a021acc.png)
如何在LabVIEW中使用FPGA模块
LabVIEW FPGA模块是NI公司推出的一款强大工具,它允许用户使用LabVIEW图形化编程环境来开发FPGA(现场可编程门阵列)应用程序。与传统的HDL(硬件描述语言)编程相比,LabVIEW FPGA模块大大简化了FPGA开发的过程…...
![](https://img-blog.csdnimg.cn/direct/85a666d856e641b38568683dd7b6e008.png#pic_center)
FPGA开发技能(7)Vivado设置bit文件加密
文章目录 前言1. AES加密原理2.xilinx的AES方案3.加密流程3.1生成加密的bit流3.2将密钥写入eFUSE寄存器 4.验证结论5.传送门 前言 在FPGA的项目发布的时候需要考虑项目工程加密的问题,一方面防止自己的心血被盗,另一方面也保护公司资产,保护知…...
![](https://img-blog.csdnimg.cn/direct/76e9349f0b1546bc9dd89fc11c3b9b23.png)
【算法专题--链表】旋转链表 -- 高频面试题(图文详解,小白一看就懂!!)
目录 一、前言 二、题目描述 三、解题方法 ⭐解题思路---闭合为环 🍍 案例图解 四、总结与提炼 五、共勉 一、前言 旋转链表 这道题,可以说是--链表专题--,最经典的一道题,也是在面试中频率最高的一道题目&#x…...
![](https://img-blog.csdnimg.cn/direct/a20e581edd8f49e7bcd3f6fe92a34056.png)
ElasticSearch 和 MySQL的区别
MySQLElasticSearch 数据库(database)索引(index)数据表(table) 类型(type) 记录文档(document,json格式) 一、ES基础命令 1. ES cat查询命令 2.…...
![](https://img-blog.csdnimg.cn/direct/8e0f178218b64df58bb89845841ce679.png)
Linux部署wordpress站点
先安装宝塔面板 yum install -y wget && wget -O install.sh https://download.bt.cn/install/install_6.0.sh && sh install.sh ed8484bec 因为wordpress需要php,mysql,apache ,httpd环境 参考:Linux 安装宝塔…...
![](https://img-blog.csdnimg.cn/direct/b26cf56aec5f48658a4619294ded8432.png)
实体零售连锁企业如何通过物流接口实现数智化转型升级?
在电子商务浪潮的持续冲击下,传统的实体零售行业面临着巨大的挑战。为了在线上线下融合的新零售时代保持竞争力,众多实体零售企业积极寻求数字化转型的突破。 某中国零售连锁百强企业近年来致力于打造自有品牌的线上销售体系,自2021年8月起接…...
![](https://www.ngui.cc/images/no-images.jpg)
AWS EKS上GPU工作负载自动扩缩容的异常排查指南
在AWS EKS上使用Karpenter和KEDA实现GPU工作负载的自动扩缩容是一个复杂的过程,涉及多个组件的协同工作。当遇到问题时,系统性的排查方法可以帮助我们快速定位和解决问题。本文将详细介绍如何对这个系统进行全面的异常排查。 1. Karpenter相关组件检查 1.1 NodePool检查 N…...
![](https://img-blog.csdnimg.cn/direct/41f3d2544fe74059b29df425ab2109e0.png)
Pytest+Allure+Yaml+Jenkins+Gitlab接口自动化中Jenkins配置
一、背景 Jenkins(本地宿主机搭建) 拉取GitLab(服务器)代码到在Jenkins工作空间本地运行并生成Allure测试报告 二、框架改动点 框架主运行程序需要先注释掉运行代码(可不改,如果运行报allure找不到就直接注释掉) …...
![](https://www.ngui.cc/images/no-images.jpg)
应用及安全
目录 一、PAM 安全认证及配置 1.1配置 su 命令的认证 1.2PAM 配置文件结构二、账号和密码安全管理 2.1账号管理 2.2系统账号清理 2.3密码安全控制 2.4密码重设示例 2.5参考命令三、命令历史限制 3.1设置命令历史记录…...
![](https://img-blog.csdnimg.cn/direct/2f9b87d9824b4e068b8998d09a959b86.png)
字节流和字符流的相关知识
目录 1. Writer1.1 写两行数据1.2 换一种方式1.3 追加数据1.4 写很多数据,记得要清一下缓存1.5 用数组、字符串写入 2. Reader2.1 读个文件2.2 读取字符2.3 读取数据到数组2.4 复制文件 3. InputStream4. OutputStream5. 参考链接 1. Writer Writer类是Java.io包中…...
![](https://img-blog.csdnimg.cn/direct/59b4a9db64e44ea781bfdc2774f1c0ba.png)
LLM意图识别器实践
利用 Ollama 和 LangChain 强化条件判断语句的智能提示分类 ❝ 本文译自Supercharging If-Statements With Prompt Classification Using Ollama and LangChain一文,以Lumos工具为例,讲解了博主在工程实践中,如何基于LangChain框架和本地LLM优…...
![](https://img-blog.csdnimg.cn/direct/d60d87a87d7c4b0fb52cedea8649ab98.png)
常见的反爬手段和解决思路(爬虫与反爬虫)
常见的反爬手段和解决思路(爬虫与反爬虫) 学习目标1 服务器反爬的原因2 服务器长反什么样的爬虫(1)十分低级的应届毕业生(2)十分低级的创业小公司(3)不小心写错了没人去停止的失控小…...
![](https://img-blog.csdnimg.cn/direct/4a2d3a791f754642af3f0383c95ee9c7.png#pic_center)
Stable Diffusion【真人模型】:人像光影摄影极限写实真实感大模型
大家好,我是极客菌 今天和大家分享一个基于SD1.5的真人大模型:人像光影摄影极限写实真实感大模型。 该模型具有以下特点: 真实肤感(在面部肌理和皮肤肌理上均有加强学习,拒绝ai出图假的问题) 永不脱妆&a…...
![](https://img-blog.csdnimg.cn/direct/878fb65881fc46e6b02719ce8e41278c.jpeg)
java实现图片添加水印
文章目录 前言一、工具类WatermarkUtil二、工具类介绍2.1 图片来源类型2.2 水印类型2.3 读取本地图片2.4 读取网络图片2.5 水印处理2.6 添加水印 三、测试添加水印总结 前言 给图片添加水印是一个很常见的需求,一般是用来防盗用。比如我们csdn上面写的文章中&#…...
![](https://img-blog.csdnimg.cn/direct/5e9e09b7a2dc46b6a27a7e63ca008c09.png)
CSS规则——font-face
font-face 什么是font-face? 想要让网页文字千变万化,仅靠font-family还不够,还要借助font-face(是一个 CSS 规则,它允许你在网页上使用自定义字体,而不仅仅是用户系统中预装的字体。这意味着你可以通过提…...
![](https://img-blog.csdnimg.cn/direct/42f46fcd437b41b7968b669a7c02d360.png)
【单片机毕业设计选题24034】-基于STM32的手机智能充电系统
系统功能: 系统可以设置充电时长,启动充电后按设置的充电时长充电,充电时间到后自动 停止充电,中途检测到温度过高也会结束充电并开启风扇和蜂鸣器报警。 系统上电后,OLED显示“欢迎使用智能充电系统请稍后”,两秒钟…...
![](https://img-blog.csdnimg.cn/direct/d80b51e536a946f283eed6f5e28d9d50.png)
[C++][数据结构][图][中][图的遍历][最小生成树]详细讲解
目录 1.图的遍历1.广度优先遍历2.深度优先遍历 2.最小生成树1.Kruskal算法2.Prim算法 1.图的遍历 给定一个图G和其中任意一个顶点 v 0 v_0 v0,从 v 0 v_0 v0出发,沿着图中各边访问图中的所有顶点,且每个顶 点仅被遍历一次 “遍历”&…...
![](https://www.ngui.cc/images/no-images.jpg)
退市新规解读—财务类强制退市
一、退市风险警示:第一年触及相关指标 上市公司最近一个会计年度触及下列退市风险指标之一,公司股票或存托凭证被实施退市风险警示(*ST): 第1项 组合类财务指标 仅发行A股或B股,最近一个会计年度或追溯重述后最近一个会计年度 …...
![](https://www.ngui.cc/images/no-images.jpg)
小程序的生命周期使用方法和应用场景
小程序生命周期 初始化(App Launch) • 触发时机:小程序首次启动时。 • 主要事件:onLaunch。 • 功能与适用场景: • 全局数据初始化:设置应用的全局状态和变量。 • 登录状态检查:判断用户是…...
![](https://www.ngui.cc/images/no-images.jpg)
什么是C++模块化系统?C++20的模块化系统。
C20引入的模块化系统是一种新的代码组织和编译机制,它旨在替代传统的头文件机制,提供更好的代码组织、更快的编译速度和更强的封装性。模块化系统的主要目标包括: 减少编译时间:通过减少冗余的头文件解析和宏定义传播,…...
![](https://img-blog.csdnimg.cn/img_convert/78ce1b19a8c99510c641df4f70e978d8.jpeg)
智慧校园-档案管理系统总体概述
智慧校园档案管理系统,作为教育信息化进程中的重要一环,它运用现代信息技术的力量,彻底改变了传统档案管理的面貌,为学校档案资源的收集、整理、存储、检索与利用开辟了全新的途径。这一系统全面覆盖学生、教职工、教学科研及行政…...
![](https://www.ngui.cc/images/no-images.jpg)
Spring事务十种失效场景
首先我们要明白什么是事务?它的作用是什么?它在什么场景下在Spring框架下会失效? 事务:本质上是由数据库和程序之间交互的过程中的衍生物,它是一种控制数据的行为规则。有几个特性 1、原子性:执行单元内,要…...
![](https://img-blog.csdnimg.cn/direct/7b6789309e4d42999cfcbe920311f40f.png)
Android Studio中HAXM安装失败的解决方案(HAXM installation failed)
文章目录 错误示例Hyper-VWindows SandboxWindows Hypervisor Platform(Windows 虚拟化监控程序平台) 出现原因解决方法虚拟机平台方案一方案二方案三 错误示例 表明HAXM (Hardware Accelerated Execution Manager)安装失败了。HAXM是一个硬件辅助虚拟化…...
![](https://www.ngui.cc/images/no-images.jpg)
SpringBoot异步接口实现 提升吞吐量
前言 Servlet 3.0之前:HTTP请求由单一线程处理。Servlet 3.0之后:支持异步处理,提高系统吞吐量。 SpringBoot 异步接口实现方式 AsyncContext:Servlet层级,不常用。Callable:使用java.util.concurrent.C…...
![](https://img-blog.csdnimg.cn/direct/6de52aa63bce4f1bbf48d908c713e8f4.jpeg)
小试牛刀-区块链代币锁仓(Web页面)
Welcome to Code Blocks blog 本篇文章主要介绍了 [区跨链代币锁仓(Web页面)] ❤博主广交技术好友,喜欢我的文章的可以关注一下❤ 目录 1.编写目的 2.开发环境 3.实现功能 4.代码实现 4.1 必要文件 4.1.1 ABI Json文件(LockerContractABI.json) 4.2 代码详解…...
![](https://img-blog.csdnimg.cn/direct/b34c560046fd4f649d71cf923f126dfb.png)
Linux的免交互
交互:我们发出指令控制程序的运行,程序在接收到指令之后按照指令的效果做出对应的反应。 免交互:间接的通过第三方的方式把指令传送给程序,不用直接的下达指令。 1、here document免交互 ere document免交互:是命令…...
![](https://www.ngui.cc/images/no-images.jpg)
天猫商品列表数据接口(Tmall.item_search)
天猫平台商品列表数据接口(taobao.item_search)是天猫开放平台提供的一个API接口,用于获取天猫平台上的商品列表数据。通过该接口,用户可以获取到商品的名称、价格、销量、评价等信息。下面将具体介绍这个接口的各个方面ÿ…...
![](https://www.ngui.cc/images/no-images.jpg)
家人们,咱们汽车界有自己的“显眼包”!
现在想换辆新车太难了,选择太多了,挑的眼花缭乱的。就在我一筹莫展的时候,我在店里遇到了传祺新能源E8,属实是没想到虽然它的价格不到25万,但是却拥有着特别抢眼的优势。它的智能化配置很高,5月份传祺E8首次升级OTA后新增了广汽魔方场景设定功能,可以让我自定义设置2000…...
![](https://www.ngui.cc/images/no-images.jpg)
小米SU7创始版第二轮惊喜开售!来自首轮异常订单拦截
小米SU7发布的同时,雷军还宣布了特别信仰加持的创始版,全球限量5000辆,开放预定后几秒钟就售罄了。3月31日晚间,雷军宣布,在小米SU7创始版的定购过程中,识别、拦截了部分异常订单和黄牛订单,因此将启动第二轮惊喜追加开售。据悉,小米SU7创始版的第二轮销售需要定金2000…...
![](https://img-blog.csdnimg.cn/direct/418d456df96847f3937b9c2976b13216.png)
【微机原理及接口技术】可编程计数器/定时器8253
【微机原理及接口技术】可编程计数器/定时器8253 文章目录 【微机原理及接口技术】可编程计数器/定时器8253前言一、8253的内部结构和引脚二、8253的工作方式三、8253的编程总结 前言 本篇文章就8253芯片展开,详细介绍8253的内部结构和引脚,8253的工作方…...
![](https://www.ngui.cc/images/no-images.jpg)
C#压缩单个文件
1、压缩方法 /// <summary> /// 压缩 /// </summary> /// <param name"source">源目录</param> /// <param name"s">ZipOutputStream对象</param> public static void Compress(string source, ZipOutputStream s) {…...
![](https://img-blog.csdnimg.cn/img_convert/53a9b157865b410084c5031b26902b4a.png)
Python--List列表
list列表⭐⭐ 1高级数据类型 Python中的数据类型可以分为:数字型(基本数据类型)和非数字型(高级数据类型) ●数字型包含:整型int、浮点型float、布尔型bool、复数型complex ●非数字型包含:字符…...
![](https://img-blog.csdnimg.cn/direct/5345145b612d444d819dc63c365f669d.jpeg)
酒店提前线上订房小程序源码系统 PHP+MySQL组合开发 源码开源可二开 带完整的安装代码包以及搭建教程
系统概述 随着移动互联网的普及,越来越多的人习惯通过手机进行酒店预订。传统的线下订房方式逐渐无法满足用户的需求,酒店提前线上订房小程序的出现成为必然趋势。该源码系统的开发旨在为酒店提供一个便捷、高效的线上订房平台,提升用户体验…...