2025年渗透测试面试题总结-百度面经（题目+回答）
网络安全领域各种资源，学习文档，以及工具分享、前沿信息分享、POC、EXP分享。不定期分享各种好玩的项目及好用的工具，欢迎关注。
目录
百度面经
百度安全工程师面试深度复盘与优化指南
一、项目经验反思与优化策略
二、技术问题深度解析
三、安全攻防知识体系构建
四、面试技巧提升方案
五、持续成长路线图
百度面经
## 百度安全工程师一面总结### 0x01 自己问题面试官还是很和蔼的，之前一直很紧张，开始聊之后心情好多了。问到了项目经历，其实感觉自己对自己做过的项目已经很了解了，结果还是被问到的很多都不是很清楚。哎。。心塞！首先第一个问题就是自己“基于机器学习的垃圾短信检测系统”选用的机器学习算法。为什么选用这个算法。跟其他算法比较有什么优势。差点问懵了。当时自己选用贝叶斯算法的时候确实没有做过多的比较，只是和神经网络算法比较了下。就选定了，这是典型的知其然，不知其所以然。这让我想起来自己之前知乎看到的一个关于java三大框架的问题，你在学框架之前首先需要知道没有框架人们是怎么做的，框架做了什么，然后你就知道为什么用框架了，也就明白框架的特性了。现在深以为然。第二个问题，就是关于自己整个样本选择和测试的问题。其中暴露的问题也很多啊，不规范是最大的问题。细节决定成败啊。第三个问题自己写的识别率太高。面试官说百度，阿里也在做这一块，但是他们都不敢说识别率有这么高。顿时有点小尴尬。原因又回到之前第二个问题了，样本选择和测试不规范。### 0x02 共性问题#### 2.1 算法问题问题：给一段有序数组，然后给一个数字K（K未知），然后将k及其k之前的数字挪到数组之后，现在考虑时间复杂度和空间复杂度找到最小数字的下标。答案：第一种：遍历（面试官说这个就不用说了，笑！）；第二种：分段方法;自己在情急之下也就想到了这种算法，取一个数组的第一个、中间一个，以及最后一个数字，判定其大小。那么有三种情况。第一种，如果k=0，那么三个数字之间属于递增 第二种，如果k不大于数组长度的一半，三个数字之间分别是中，大，小。那么k的值可以确定为0<k<(length/2)+1; 第三种，如果k大于数组长度的一半，三个数字之间分别是大，小，中。那么K的值可以确定为(length/2)<k<length+1;#### 2.2 数据结构给一段后序和中序遍历，给出先序遍历，结果没找到笔，面试官说换一道题吧！也是醉了。#### 2.3 linux shell有是个名字是“baidu_”的进程，编写脚本kill掉，这个真心不会。哎，早知道自己渣渣shell水平就不该写。#### 2.4 操作系统##### （1）死锁以及为什么发生死锁，解除死锁。操作系统差不多都忘完了，所幸这个还记着一点。回答的不是很好，但是大概讲清楚了。##### （2）进程之间通信方式信箱，管道，消息（忘记说这个了），共享存储区。### 0x03 总结总之百度一面知识都是很基础，而且面试官也说了，一面考察基础。之后的才是安全。感觉自己答的还可以，但不是很好。最后真的想问下面试官能不能进二面，感觉不太礼貌。所以没问。希望可以通过吧。加油↖(^ω^)↗。## 百度安全工程师二面总结### 0x00 前言昨天上午面完一面之后，下午就收到了二面通知，但是当时比较急。所以只好推到了今天上午，又是一次洗礼。虽然只有两面，但是还是感觉到了一点面试的小诀窍。比如都是问项目，比如都是问一些比较基础的知识。### 0x01 自己问题依然是聊项目，发现其实只要有项目一般情况下都是聊项目问题。先是第一个项目。这部分其实略过不表了，因为大部分问的都是项目细节。主要目的是验证这项目是不是你的啊，另外因为这项目是纯开发的，跟安全关系不大，面试官也不想问，本来不想写，但是我觉得安全也得有开发啊，真是的！（我也是这么跟面试官说的，认真脸）我发现每次面试官都能找到新的点来问。虽然同样是“基于机器学习的垃圾短信检测”项目，但是昨天和今天问的问题就几乎不一样。我也是醉了，一个项目竟然有这么多点可以挖掘。现在回忆下问题吧。恶意网站识别用的什么技术？识别率怎么样？ 你当时机器学习算法还选用了什么算法，为什么当时选择贝叶斯算法？ 贝叶斯算法和朴素贝叶斯算法有什么区别？（没回答上来，感觉好是尴尬） 你这个项目做什么的？你在其中具体做什么的？（滔滔不绝说了十分钟，估计面试官听累了） 为什么目标选择淫秽色情和赌博类网站？ 如果一个网站是纯图片，怎么识别这个网站的安全性？（当时想到用OCR识别，但是想不到其他的了，知道的麻烦讲下）### 0x02 共性问题你怎么理解sql注入？ 你怎么理解xss攻击？ 你怎么理解csrf？ 你对病毒了解的怎么样？问完这个问题，我又滔滔不绝说了两三分钟，面试官说我不听感染机制和原理，问我怎么分析这个病毒的，我说获取了源代码。他说如果没有源代码，你会逆向吗？我说没接触过，他说好的，那就这样吧！这样吧！这样！吧！不过最后补充一句说，注意后续的通知。（难道我这是有戏么？傅园慧逗逼脸。。。。）### 0x03 总结每次面试期间都是口干舌燥，估计是有点紧张，其实今天总体感觉不是很好，说白了就是还不如昨天。就这样吧，洗洗涮涮睡一会，醒来去见女朋友！## 百度安全工程师终极面总结期盼了两天，算是完成了最后的面试。面试完之后心里一直很不平静。首先和三面面试官聊得时间很短，当然这是相对前两面试官来说的。在这短短的时间之内，自己回答的也不是很好，面试官问的问题：你在项目中遇到的最大的困难是什么？当时感觉自己状态不是很好，瞬间有点懵。说了一些项目当中遇到的问题，但是个人感觉这些问题真的都很简单，没有一点代表性。面试官也说希望我说一些代表性的问题，能够看出来我的性格和能力还有想法的。怎么讲呢？对于这种抽象的问题自己准备不足。另外就是可能最后一面有点紧张。困难实际上真的是有的，只是不知道为什么当时的情景下自己想不起来。最后面试官说没什么可以问的了，问我有什么想说的。我说自己代码还好，直接走开发也是可以的。面试官说那你给我看下你代码，把你写的最好的发过来。这是自己第二个失败的地方。自己硬盘在一个月前down掉了，结果什么都没有剩下。想解释但是又感觉说出来未免不可信。挂完电话只好将自己前段时间写的挺烂的代码发过去。事后想想这是第三个败笔。其实可以跟面试官说，给我制定需求，我在指定时间之内去实现提出的需求，但是自己没有讲。## 写在最后 总的来说百度三面的问题很多，好多自己真实的情况都没有展示给面试官。权当是个教训吧。希望以后自己再这些地方不再入坑，有些事情真的是一念之间。百度安全工程师面试深度复盘与优化指南
一、项目经验反思与优化策略
（1）机器学习项目核心问题剖析：
算法选择合理性不足：
- 根本问题：未深入理解贝叶斯与神经网络的适用场景差异
- 优化方案：构建算法选择矩阵 | 算法类型 | 数据量要求 | 可解释性 | 训练效率 | 特征独立性假设 | |----------------|------------|----------|----------|----------------| | 朴素贝叶斯 | 小样本 | 强 | 极高 | 需要 | | 神经网络 | 大数据 | 弱 | 低 | 不需要 | | 随机森林 | 中等样本 | 中等 | 中 | 不需要 |
样本处理缺陷：
- 典型错误：未进行数据集分层抽样，导致训练/测试集分布不一致
- 改进方案：构建标准化数据流水线
pythonfrom sklearn.model_selection import StratifiedShuffleSplit sss = StratifiedShuffleSplit(n_splits=1, test_size=0.3, random_state=42) for train_index, test_index in sss.split(X, y): X_train, X_test = X[train_index], X[test_index] y_train, y_test = y[train_index], y[test_index]评估指标可信度问题：
- 关键误区：仅关注准确率（Accuracy）忽视混淆矩阵
- 正确做法：构建多维评估体系
markdown- 精确率（Precision）：TP/(TP+FP) → 减少误杀正常短信 - 召回率（Recall）：TP/(TP+FN) → 避免漏判垃圾短信 - F1-Score：平衡精确与召回 - ROC曲线：展示不同阈值下的性能变化（2）安全项目展示技巧：
技术融合示范案例：
- 在Web安全检测系统中集成机器学习：
mermaid
复制
graph LR A[流量采集] --> B{特征提取} B --> C[协议解析] B --> D[语义分析] C --> E[规则引擎检测] D --> F[ML模型预测] E & F --> G[威胁评分]攻防结合实践：
- SQL注入检测的双引擎设计：
pythondef detect_sqli(payload): # 规则引擎检测 if re.search(r"union\s+select", payload, re.I): return True # 机器学习检测 features = extract_nlp_features(payload) return model.predict([features])[0] == 1二、技术问题深度解析
（1）旋转数组查找优化：
pythondef find_min(nums): left, right = 0, len(nums)-1 while left < right: mid = (left + right) // 2 if nums[mid] > nums[right]: left = mid + 1 else: right = mid return left时间复杂度：O(log n)
空间复杂度：O(1)（2）进程管理高阶方案：
bash# 精准匹配进程名并终止 pkill -f "^baidu_" # 带确认的安全终止 pgrep -f "baidu_" | xargs -r kill -15 # 进程树清理方案 pstree -p | grep 'baidu_' | awk -F'[()]' '{print $2}' | xargs kill -9（3）死锁处理进阶策略：
markdown1. 预防策略： - 银行家算法动态分配资源 - 资源有序分配法（如全局锁排序） 2. 检测手段： - 资源分配图算法 - Wait-for Graph检测环 3. 恢复技术： - 进程回滚检查点 - 优先级剥夺策略三、安全攻防知识体系构建
（1）Web安全三位一体防御：
markdown1. SQL注入防护： - 参数化查询 → `PreparedStatement` - 存储过程封装 → 权限最小化 - 运行时监控 → SQL语法分析 2. XSS立体防御： - 输入过滤 → HTML实体编码 - 输出编码 → Context-sensitive编码 - CSP策略 → script-src白名单 3. CSRF综合方案： - 双重Cookie验证 → SameSite属性 - 加密Token → 动态绑定会话 - 请求来源验证 → Referer校验（2）病毒分析技术栈：
mermaidgraph TB A[静态分析] --> A1[文件结构解析] A --> A2[字符串特征提取] A --> A3[熵值检测加壳] B[动态分析] --> B1[沙箱行为监控] B --> B2[API调用跟踪] B --> B3[内存Dump分析] C[逆向工程] --> C1[控制流重建] C --> C2[反混淆处理] C --> C3[漏洞模式匹配]四、面试技巧提升方案
（1）行为面试应答框架（STAR-LP模型）：
markdown- Situation: 项目背景（技术栈+业务目标） - Task: 个人职责（技术选型+架构设计） - Action: 实施过程（关键技术突破点） - Result: 量化成果（性能提升指标） - Lesson: 经验教训（技术决策反思） - Perspective: 未来展望（技术演进方向）（2）技术难点展示策略：
markdown1. 性能优化案例： 初始方案 → 瓶颈分析 → 优化思路 → 最终效果 2. 架构演进过程： 单体架构 → 瓶颈分析 → 微服务改造 → 效果对比 3. 安全攻防实战： 漏洞发现 → 利用链构造 → 防御方案 → 监控体系（3）压力面试应对技巧：
markdown- 技术盲区应答： "这个问题目前我的了解还不够深入，根据我的理解..." → 展示知识迁移能力 - 项目质疑应对： "当时选择该方案是基于...，如果现在重新设计会..." → 体现反思能力 - 开放问题解析： "这个问题可以从三个层面分析..." → 结构化思维展现五、持续成长路线图
（1）安全工程师能力矩阵：
markdown| 能力维度 | 初级要求 | 高级要求 | |----------------|-----------------------|---------------------------| | 漏洞研究 | 复现公开POC | 独立挖掘0day | | 渗透测试 | 工具基础使用 | 定制化攻击链构造 | | 安全开发 | 编写检测规则 | 构建自动化攻防平台 | | 架构安全 | 实施基础防护方案 | 设计零信任安全体系 | | 应急响应 | 处理简单安全事件 | 主导APT攻击溯源 |（2）推荐学习路径：
markdown1. 基础筑基阶段（3个月）： - 《Web安全攻防》+ Vulnhub靶场实战 - OWASP TOP10漏洞原理与防御 2. 能力进阶阶段（6个月）： - 内核安全：《漏洞战争》+ CVE分析 - 协议安全：TCP/IP协议栈漏洞挖掘 3. 专家突破阶段（持续）： - 参加DEFCON CTF竞赛 - 跟进最新CVE披露并提交分析报告
相关文章：
2025年渗透测试面试题总结-百度面经（题目+回答）
网络安全领域各种资源，学习文档，以及工具分享、前沿信息分享、POC、EXP分享。不定期分享各种好玩的项目及好用的工具，欢迎关注。 目录 百度面经 百度安全工程师面试深度复盘与优化指南 一、项目经验反思与优化策略 二、技术问题深度解析 …...
muduo库TcpConnection模块详解——C++
muduo库中的TcpConnection模块详解 TcpConnection是muduo库中处理TCP连接的核心模块，负责管理单个TCP连接的生命周期、数据读写、状态转换以及事件回调。每个TCP连接对应一个TcpConnection对象，其设计体现了高性能、线程安全和灵活回调的特点。 一、核心…...
aksharetools：大模型智能体框架agno可直接获取A股金融数据
原创内容第889篇，专注智能量化投资、个人成长与财富自由。 今天说说金融智能体开发。 智能体开发需要一个多agent框架。这样的框架，现在太多了，langchain, langgraph，autogen，crewai等等，还有各种低代码平…...
使用Maven部署WebLogic应用
使用Maven部署WebLogic应用 在Maven项目中部署应用到WebLogic服务器可以通过以下几种方式实现： 1. 使用WebLogic Maven插件 (官方推荐) Oracle提供了官方的WebLogic Maven插件，这是最直接的部署方式。 基本配置 <build><plugins><pl…...
[Java][Leetcode simple] 13. 罗马数字转整数
一、自己想的 只有提到的六种情况是-，其他都是 public int romanToInt1(String s) {int res 0;int n s.length();Map<Character, Integer> map new HashMap<>();map.put(I, 1);map.put(V, 5);map.put(X, 10);map.put(L, 50);map.put(C, 100);map.pu…...
【论文阅读】针对BEV感知的攻击
Understanding the Robustness of 3D Object Detection with Bird’s-Eye-View Representations in Autonomous Driving 这篇文章是发表在CVPR上的一篇文章，针对基于BEV的目标检测算法进行了两类可靠性分析，即恶劣自然条件以及敌对攻击。同时也提出了一…...
Ansible模块——设置软件仓库和安装软件包
设置软件仓库 ansible.builtin.rpm_key ansible.builtin.rpm_key 用于在 Fedora/RHEL 上导入或移除 GPG 公钥。 参数名 类型 默认值 说明 fingerprintstrnull 指定公钥的完整指纹（long-form）。在导入前会比对公钥是否匹配此指纹，增强安全…...
基于CentOS7制作OpenSSL 1.1的RPM包
背景：CentOS7 已经不再维护了，有时候需要升级某些组件，网上却没有相关的资源了。尤其是制作OpenSSH 9.6 的RPM包，就会要求OpenSSL为1.1的版本。基于此，还是自己制作吧，以下是踩坑过程。 1、官网提供的源码包…...
【Element UI】表单及其验证规则详细
Form表单 Form表单验证1. 使用方法2. rule参数3. validator回调函数异步服务器验证 Form表单验证 Form组件提供了表单验证的功能，需要通过rules属性传入约定的验证规则，并将Form-Item的prop属性设置为需校验的字段名 1. 使用方法 结构： &…...
使用 Python 打造一个强大的文件系统结构创建器
本文将深入分析一个基于 wxPython 的文件系统结构创建器程序，展示如何通过 CustomTreeCtrl 组件实现文件夹和文件的可视化管理，并提供添加、删除、导入、清空以及创建文件系统结构的强大功能。这个程序不仅适合开发者快速构建文件系统原型，还…...
面试真题 - 高并发场景下Nginx如何优化
Nginx是一款高性能的Web服务器和反向代理服务器，以其轻量级、高并发处理能力和稳定性闻名。在面对高并发场景时，合理的配置与优化策略至关重要，以确保服务的稳定性和响应速度。 以下是针对Nginx进行高并发优化的一些关键配置和策略ÿ…...
)
学习笔记：黑马程序员JavaWeb开发教程(2025.4.6)
12.4 登录校验-JWT令牌-介绍 JWT（JSON Web Token） 简洁是指JWT是一个简单字符串，自包含指的是JWT令牌，看似是一个随机字符串，但是可以根据需要，自定义存储内容 Header是JSON数据格式，原始JSO…...
机器学习——逻辑回归
一、逻辑回归概念点 逻辑回归（Logistic Regression）是一种广泛使用的统计分析方法和机器学习算法，主要用于处理二分类问题（即因变量为二元类别，如0和1、是和否等）。尽管名字中有“回归”二字，但…...
服务间的“握手”：OpenFeign声明式调用与客户端负载均衡
现在，假设我们有一个新的order-service，它在创建订单时需要获取用户信息。 如果order-service直接硬编码user-service的IP和端口进行调用，会面临以下问题： 缺乏弹性: 如果user-service实例的IP或端口发生变化（在云环境…...
蓝桥杯11届国B 答疑
题目描述 有 n 位同学同时找老师答疑。每位同学都预先估计了自己答疑的时间。 老师可以安排答疑的顺序，同学们要依次进入老师办公室答疑。 一位同学答疑的过程如下： 首先进入办公室，编号为 i 的同学需要 si 毫秒的时间。然后同学问问题老…...
【单机版OCR】清华TH-OCR v9.0免费版
今天向大家介绍一款非常好用的单机版OCR图文识别软件，它不仅功能多，识别能力强，而且还是免费使用的。OCR软件为什么要使用单机版，懂得都懂，因为如果使用在线识别的OCR软件，用户需要将文档上传互联网服务器的…...
蓝牙耳机什么牌子好？倍思值得冲不？
最近总被问“蓝牙耳机什么牌子好”，作为踩过无数坑的资深耳机党，必须安利刚入手的倍思M2s Pro主动降噪蓝牙耳机！降噪、音质、颜值全都在线，性价比直接拉满。 -52dB降噪，通勤摸鱼神器 第一次开降噪就被惊到！…...
Java卡与SSE技术融合实现企业级安全实时通讯
简介 在数字化转型浪潮中，安全与实时数据传输已成为金融、物联网等高安全性领域的核心需求。本文将深入剖析东信和平的Java卡权限分级控制技术与浪潮云基于SSE的大模型数据推送技术，探索如何将这两项创新技术进行融合，构建企业级安全实时通讯系统。通过从零到一的开发步骤，…...
使用Spring Boot和Spring Security构建安全的RESTful API
使用Spring Boot和Spring Security构建安全的RESTful API 引言 在现代Web开发中，安全性是构建应用程序时不可忽视的重要方面。本文将介绍如何使用Spring Boot和Spring Security框架构建一个安全的RESTful API，并结合JWT（JSON Web Token&…...
Win11下轻松搭建wiki.js，Docker.desktop部署指南（mysql+elasticsearch+kibana+wiki.js）
Docker.desktop部署wiki.js指南 前言环境和要求介绍提前准备 1. elasticsearch1.1 部署容器1.2 参数说明1.3 验证容器是否部署成功 2. kibana2.1 部署容器2.2 验证是否部署成功2.3 安装IK分词器 3. MySql3.1 部署容器3.2 增加数据库和wiki.js所需要的账号 4. wiki.js4.1 部署容…...
【JavaWeb】MySQL
1 引言 1.1 为什么学？ 在学习SpringBootWeb基础知识(IOC、DI等)时，在web开发中，为了应用程序职责单一，方便维护，一般将web应用程序分为三层，即：Controller、Service、Dao 。 之前的案例中&am…...
数据库实验报告 数据定义操作 3
实验报告（第3次） 实验名称 数据定义操作 实验时间 10月12日1-2节 一、实验内容 1、本次实验是用sql语句创建库和表，语句是固定的，要求熟记这些sql语句。 二、源程序及主…...
寻找树的中心（重心）
题目： 思路： “剥洋葱”：每次剥掉一层叶子结点，直到最后剩余不多于2个节点，这些节点就是树的中心（重心）。 解释： 1、根据图论的知识可以知道，一颗树的中心（…...
Oracle 高水位线（High Water Mark, HWM）
1. 高水位线（HWM）的定义 基本概念：HWM 是 Oracle 数据库中一个段（如表、索引）中已分配并被格式化（Formatted）的存储空间的最高位置。它标识了该段历史上曾达到的最大数据块使用量。 物理意义&a…...
Redis学习专题（二）事务和锁机制
目录 引言 1、事务三特性 2、事务相关指令 ：Multi、Exec、discard 快速入门 注意： 3、事务冲突 解决办法： 1.悲观锁 2.乐观锁 3.watch & unwatch 引言 Redis 的事务是什么? 1、Redis 事务是一个单独的隔离操作：事…...
多平台！像素艺术的最佳选择 ， 开源像素画工具
项目简介 如果你喜欢作像素风格的游戏或动画，那么这款Pixelorama或许是你的好帮手。它是一款免费开源的像素画编辑器，功能丰富，操作便捷，支持多平台使用（Windows、macOS、Linux）。无论你是像素新手还是老手…...
使用 Kotlin 和 Jetpack Compose 开发 Wear OS 应用的完整指南
环境配置与项目搭建 1. Gradle 依赖配置 // build.gradle (Module) android {buildFeatures {compose true}composeOptions {kotlinCompilerExtensionVersion "1.5.3"} }dependencies {def wear_compose_version "1.2.0"implementation "androidx.…...
JavaScript【5】DOM模型
1.概述： DOM (Document Object Model)：当页面被加载时，浏览器会创建页面的文档对象模型，即dom对象；dom对象会被结构化为对象树，如一个HTML文档会被分为head，body等部分，而每个部分又…...
【诊所电子处方专用软件】佳易王个体诊所门诊电子处方开单管理系统：零售药店电子处方服务系统#操作简单#诊所软件教程#药房划价
一、软件试用版资源文件下载说明 （一）若您想体验软件功能，可通过以下方式获取软件试用版资源文件： 访问头像主页：进入作者头像主页，找到第一篇文章，点击文章最后的卡片按钮，即可了…...
【OpenCV】帧差法、级联分类器、透视变换
一、帧差法（移动目标识别）： 好处：开销小，不怎么消耗CPU的算力，对硬件要求不高，但只适合固定摄像头 1、优点 计算效率高，硬件要求 响应速度快，实时性强 直接利用连续帧…...
OpenCV 特征检测全面解析与实战应用
在计算机视觉领域，特征检测是从图像中提取关键信息的核心技术，这些关键特征是图像匹配、目标识别、场景理解等复杂任务的基础。OpenCV 作为计算机视觉领域最受欢迎的开源库之一，提供了丰富且高效的特征检测算法。本文将深入介绍 OpenCV 中多种…...
AI预测3D新模型百十个定位预测+胆码预测+去和尾2025年5月17日第80弹
从今天开始，咱们还是暂时基于旧的模型进行预测，好了，废话不多说，按照老办法，重点8-9码定位，配合三胆下1或下2，杀1-2个和尾，再杀6-8个和值，可以做到100-300注左右。 (1)定…...
IDEA反斜杠路径不会显示JUnit运行的工作目录配置问题
1. 当在IDEA基准目录下创建junit-reflect-annotation-proxy-app\\src\\data.txt时，如果是Mac电脑，这种\\文件路径时，IDEA里面不会显示，但在Finder下会显示，是直接创建了文件名为junit-reflect-annotation-proxy-app\sr…...
Linux517 rsync同步 rsync借xinetd托管 配置yum源回顾
计划测试下定时服务 同步成功 是否为本地YUM源内容太少？考虑网络YUM源 单词拼错了 计划后面再看下 MX安装 参考 计划回顾配置YUM源 配置本地YUM源配置外网YUM源配置仓库YUM源（不熟） 参考 参考阿里云 配置完毕 本地yum源配置 先备份 再…...
【论文阅读】A Survey on Multimodal Large Language Models
目录 前言一、 背景与核心概念1-1、多模态大语言模型（MLLMs）的定义 二、MLLMs的架构设计2-1、三大核心模块2-2、架构优化趋势 三、训练策略与数据3-1、 三阶段训练流程 四、 评估方法4-1、 闭集评估（Closed-set）4-2、开集评估&…...
大型语言模型中的QKV与多头注意力机制解析
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领…...
React Flow 节点事件处理实战：鼠标 / 键盘事件全解析（含节点交互代码示例）
本文为《React Agent：从零开始构建 AI 智能体》专栏系列文章。 专栏地址：https://blog.csdn.net/suiyingy/category_12933485.html。项目地址：https://gitee.com/fgai/react-agent（含完整代码示例与实战源）。完整介绍…...
AIGC在电商行业的应用：革新零售体验
AIGC在电商行业的应用：革新零售体验 引言 人工智能生成内容（AIGC）正在深刻改变电商行业的格局。从个性化推荐到智能客服，从产品描述生成到虚拟试衣，AIGC技术正在为电商平台带来前所未有的创新和效率提升。本文将深入探…...
【数据结构】线性表--队列
【数据结构】线性表--队列 一.什么是队列二.队列的实现1.队列结构定义：2.队列初始化函数：3.队列销毁函数：4.入队列函数（尾插）：5.出队列函数（头删）：6.取队头元素ÿ…...
CSS- 4.1 浮动（Float）
本系列可作为前端学习系列的笔记，代码的运行环境是在HBuilder中，小编会将代码复制下来，大家复制下来就可以练习了，方便大家学习。 HTML系列文章 已经收录在前端专栏，有需要的宝宝们可以点击前端专栏查看！ 点…...
Node.js 源码架构详解
Node.js 的源码是一个庞大且复杂的项目，它主要由 C 和 JavaScript 构成。要完全理解每一部分需要大量的时间和精力。我会给你一个高层次的概述，并指出一些关键的目录和组件，帮助你开始探索。 Node.js 的核心架构 Node.js 的核心可以概括为以…...
OpenCV级联分类器
概念 OpenCV 级联分类器是一种基于 Haar 特征、AdaBoost 算法和级联结构的目标检测方法，通过多阶段筛选快速排除非目标区域，实现高效实时检测（如人脸、行人等）。 加载级联分类器 // 加载级联分类器CascadeClassifier cascade;// …...
远程主机状态监控-GPU服务器状态监控-深度学习服务器状态监控
远程主机状态监控-GPU服务器状态监控-深度学习服务器状态监控 ⭐️ 推荐文章: DockerPyCharm远程调试&环境隔离解决方案 1. 整体架构 在本监控系统中，我们采用了Prometheus作为核心监控解决方案，并结合Node Exporter和Grafana构建了一个完整的监控体…...
谈谈未来iOS越狱或巨魔是否会消失
2024年10月的预测，先说结论： 巨魔iOS17.1消失概率为99%。 因为巨魔强依赖的漏洞就是一个签名漏洞，攻击面有限又经过2轮修复，第3次出现漏洞的概率极低。而越狱的话由于系统组件和服务较多，所以出现漏洞概率高攻击面多&…...
【OpenGL学习】（二）OpenGL渲染简单图形
文章目录 【OpenGL学习】（二）OpenGL渲染简单图形OpenGL渲染图形流程顶点，图元和片元VAO，VBO ，EBO着色器示例：使用OpenGL渲染三角形 【OpenGL学习】（二）OpenGL渲染简单图形 OpenGL渲…...
学习深度学习是否要先学习机器学习？
有小伙伴问我，最近做毕设要做一个神经网络的课题，想请教一下需不需要把机器学习也都学习一遍？ 永远正确的回答是：建议先学机器学习，再学深度学习。 上面那句你从哪都挑不出毛病，毕竟机器学习是深度学习的基…...
六、绘制图片
文章目录 1.创建一个红色图片2.加载bmp图片3.加载png、jpg图片 前面的几个示例，我们已经展示过如果在Linux系统下使用xlib接口向窗口中绘制文本、线、矩形；并设置文本、线条的颜色。并利用xlib提供的接口结合事件处理机制完成了一个自绘按钮控件功能。有…...
【OpenCV】基本数据类型及常见图像模式
是什么？能做什么？解决什么问题？为什么用它？ OpenCV:是一个基于开源发行的跨平台计算机视觉库，实现 一、应用场景： 目标识别：人脸、车辆、车牌...自动驾驶医学影像分析视频内容理解与分析&…...
C# WPF .NET Core和.NET5之后引用System.Windows.Forms的解决方案
双击项目名称打开工程文件（.csporj）添加“Microsoft.WindowsDesktop.App.WindowsForms”引用； <Project Sdk"Microsoft.NET.Sdk"><PropertyGroup><OutputType>WinExe</OutputType><TargetFramework&g…...
Mysql 8.0.32 union all 创建视图后中文模糊查询失效
记录问题,最近在使用union all聚合了三张表的数据,创建视图作为查询主表,发现字段值为中文的筛选无法生效.......... sql示例: CREATE OR REPLACE VIEW test_view AS SELECTid,name,location_address AS address,type,"1" AS data_type,COALESCE ( update_time, cr…...