面经总目录——持续更新中
说明
-
本面经总结了校招时我面试各个公司的面试题目,每场面试后我都及时进行了总结,同时后期补充扩展了同类型的相近面试题,校招时从两个方向进行投递,视觉算法工程师和软件开发工程师(C++方向),所以我都整理了两个岗位的相关面试题,大家可以根据需要所取。
-
面经目前包含:C++语言面试题、Python语言面试题、Qt、YOLO算法、OpenCV、K-means、Dropout、BN、NMS、IOU、数据增强、模型优化、计算机网络和通讯协议相关面试题、CV基础等等技术面试题,同时还包含非技术面中一些常见的面试题。
-
因为大部分面经都是校招时候记录的,工作以后也陆陆续续增加了一些,后续我将增加社招方面的面经,同时持续更新并维护。
-
由于本人技术有限,面经中如有错误,欢迎指正!
专栏地址
视觉算法开发 | 软件开发—面经
面经总目录
小节 | 目录 |
---|---|
面试问题总结——关于YOLO系列(一) | YOLOv1 1.背景介绍 2.YOLOv1的算法思想 3.关于NMS 4.YOLOv1的网络结构图 5.YOLOv1的激活函数 6.YOLOv1的损失函数 7.YOLOv1总结 |
面试问题总结——关于YOLO系列(二) | YOLOv2 1.关于anchor box和bounding box的区别 2.关于anchor box和bounding box的区别 Batch Normalization(批规范化BN层应用) High Resolution Classifier(高分辨率) Convolutional With Anchor Boxes Dimension Clusters(维度聚类) Direct location prediction(直接位置预测) Fine-Grained Features(细粒度特征) Multi-Scale Training(多尺度训练) 3. YOLOv2损失函数 4.YOLOv2中BackBone:Darknet-19 5. YOLOv2模型框架 6.关于Darknet的分类模型和检测模型 |
面试问题总结——关于YOLO系列(三) | YOLOv3 1.YOLOv3主干网络BackBone——Darknet-53网络结构 Top-1 Accuracy和Top-5 Accuracy是指什么呢?区别在哪呢? 为什么Darknet-53相比于同时期更深层的网络ResNet-101、ResNet-152效果更好些呢? 为什么Darknet-53运行速度快呢? 关于残差网络 2.YOLOv3网络模型 3.关于YOLOv3网络的训练细节:正负样本的匹配 4.YOLOv3损失函数 5.YOLOv3网络图 为什么YOLOv3对小目标的检测会比YOLOv1好很多? YOLOv1/v2中使用IoU作为置信度标签有何不好? YOLOv3对于小目标/密集目标的改进 YOLOv4 1.Bag of freebies(BOF) 2.Bag of specials(BOS) 3.YOLOv4采用的模型结构 4. YOLOv4相比于YOLOv3作了哪些改进 YOLOv5 1.Focus结构 2.自适应锚框计算 3.YOLOv5网络模型 |
面试问题总结——关于OpenCV | 1.OpenCV中cv::Mat的深拷贝和浅拷贝问题 2.OpenCV中RGB2GRAY是怎么实现的 3.连续图像转化为数字图像需要进行哪些操作? 4.数字图像中有哪些基本特征? 5.图像边缘检测中常用的边缘检测算子有哪些? 6.对霍夫变换的理解 7.对HOG特征的理解 8.图像的插值方法有哪些? 9.Grabcut的基本原理和应用 10.SIFT/SURF的特征提取方法,是如何保持尺度不变性的? 11.关于FLANN算法 12.Canny边缘检测的流程 13.图像锐化 14.图像对比度 15.图像滤波 16.OpenCV中图像加法(cv2.add())与图像融合(cv2.addWeighted())有何区别? 17.如何检测图片中的汽车,并识别车型,如果有遮挡怎么办? 18.常用图像增强算法 19.数字图像处理中常用图像分割算法有哪些? |
面试问题总结——编程题关于IOU、NMS | 1.关于IOU 1.1 IOU定义 1.2 IOU的优缺点 1.3 IOU的实现代码 2.关于NMS 2.1 NMS的原理 2.2 NMS的实现代码 |
面试问题总结——关于C++(一) | 1.面向对象的三大特性:继承、封装、多态 2.野指针、内存泄漏、指针悬挂、内存溢出如何理解? 3.如何避免内存泄漏? 4.C++中关于智能指针 什么是智能指针? C++11 中的智能指针及其用法 使用智能指针会出现什么问题?怎么解决? 5.关于引用和指针 引用的定义 引用的语法规则 指针的定义 引用与指针有什么区别? 6.C++程序编译过程(C++源文件从文本到可执行文件经历的过程) 关于链接阶段的知识(动态封装、静态封装) 7.include头文件的顺序以及双引号”“和尖括号<>的区别? Include头文件的顺序 双引号和尖括号的区别 8.不同类型的变量与“零“作比较 9.C和C++的区别 10.深与浅拷贝 11.C++11的特性用过哪些? 12.C++中关于Lambda表达式(匿名函数) 13.C、C++如何交错使用? 14.一些常用的STL头文件 15.C++中四种cast转换 16.C++中static的作用 17.C++中const的作用 18.C++中extern的作用 19.C++中private protect public 20.C++中struct和class的区别 |
面试问题总结——关于C++(二) | 21.内联函数类 inline 函数有两种方法 22.函数重载为什么函数名字可以一样,函数入口地址是按照函数名给的,那这样岂不是地址完全一样,如何实现重载的呢? 23.Qt信号槽实现原理 24.void* 转换 25.为什么要用基类指针(引用)指向子类对象 26.C++ 中的内存管理、内存分配 27.栈和堆的区别 28.malloc/free 和new/delete 区别 29.全局变量定义在头文件中有什么问题? 30.函数重载(overload)和函数重写(override) 31.关于虚函数和纯虚函数 32.关于多态 33.什么是函数模板?函数模板算多态吗?函数模板底层如何实现?模板实例化在程序的哪个时期? 34.为什么析构函数必须是虚函数?为什么C++默认的析构函数不是虚函数? 35.构造函数为什么不是虚函数? 36.构造函数和析构函数的作用与特性 37.进程、线程、协程 38.并发和并行 39.vector set map list内部实现,复杂度 40.关于红黑树 41.map与unordered_map区别及使用 42.对象创建限制在堆或栈:如何限制类的对象只能在堆上创建?如何限制对象只能在栈上创建? 43.关于内存对齐:什么是内存对齐?内存对齐的原则?为什么要进行内存对齐,有什么优点? |
面试问题总结——关于C/C++(三) | 44.变量的声明和定义有什么区别 45.sizeof 和 strlen 的区别 46.简述 strcpy、sprintf 与 memcpy 的区别 47.链表和数组有什么区别 48.typedef 和 define 有什么区别 49.局部变量能否和全局变量重名 50.如何引用一个已经定义过的全局变量 51.全局变量可不可以定义在可被多个.C文件包含的头文件中?为什么 52.const与#define相比有何优点 53.几种内存分配方式以及它们的区别 54.有哪几种情况只能用初始化列表而不能使用赋值 55.堆栈溢出一般是由什么原因导致的 56.C++中的空类,默认产生的类成员函数 57.进程间 58.数组和链表的区别? 59.关于windows程序 |
面试问题总结——关于面试中可能提问的问题及解答(一) | 1.YOLOv4相比于YOLOv3,做了哪些改进,能讲讲吗? 2.你在模型训练的过程中,对于loss值若没有收敛,该有哪些操作呢?该使用什么办法? 3.在数字图像处理中,腐蚀和膨胀的原理是什么? 4.关于NMS,简单讲讲? 5.关于K-means算法的相关知识 K-means算法思想: K-means算法的处理流程: 在yolo中anchor的选取—K-means算法 K-means算法的优缺点 K值怎么确定,有什么方法吗? 6.你项目中用的拍照相机分辨率是3072×2048的,而YOLOv4网络的输入尺寸是608×608×3,这么做的话,图像的尺寸会被压缩,小的目标可能会被忽略,那如果要识别小的目标你怎么办?既要保证识别的速度,如何做? 7.SPP,YOLO了解吗? 8.目标检测正负样本不均衡怎么解决? 9.one-stage与two-stage都有哪些?具体各自优势在哪里?one-stage和two-stage两者有什么特点? 10.简单介绍下残差层 残差块的结构(Residual block) 残差结构有效的原理 解决问题的数学原理 ResNet解决网络退化的机理 11.YOLOv1的网格为什么是7×7? 12.YOLOv3优点/缺点 13.张量、向量和矩阵 14.准确率和召回率 |
面试问题总结——关于面试中可能提问的问题及解答(二) | 14.关于Dropout的内容 1.什么是dropout及其具体工作流程? 2.数学原理 3.dropout的训练与预测 4.为什么dropout可以解决过拟合问题? 5.dropout的缺点? 6.CNN中能否用dropout,为什么? 15.anchor聚类的具体实现与原理 16.正则化,L1正则与L2正则,L1、L2正则化的作用和区别是什么?分别服从什么分布? 17.感受野 18.YOLOv3和v2、v1的改进 smoothL1 loss的好处 YOLO里面是向上取整还是向下取整 19.关于Batch Normalization(批归一化,BN) 1.BN层的主要思想 2.BN层的作用 3.结合YOLO问了BN 4.BN的公式,BN是怎么更新的 5.为什么加了BN之后,就不用再使用dropout? 6.Pytorch中BN层在训练和测试中有什么不同,怎么实现的? 7.用代码实现BN层 20.对比SSD,为何YOLOv3小物体的检测效果这么好? YOLO是怎么克服小目标检测缺陷的?(YOLO做小目标检测的思考) 深度学习中检测小目标常用的方法? 21.如何解决目标检测两个物体重叠问题 22.YOLOv3中416x416的输入有多少个anchor,为什么要sigmoid? 23.1×1卷积的作用 |
面试问题总结——关于面试中可能提问的问题及解答(三) | 24.关于softmax函数的公式、作用、注意点即改进实现代码 实现softmax函数时的注意事项 softmax的作用? 25.YOLO SSD Faster-RCNN对比 YOLOv3为什么占的内存大,和 SSD差别在哪里? 26.如何解决目标遮挡问题,密集问题 27.NMS及其变种(包括具体的代码实现)/编程题NMS 28.如果需要你压缩这个模型的参数量你会怎么做 29.Pytorch定义一个dataset需要写那几个方法 30.给一个input size、kernel size、stride、padding,算一下output size,没有办法整除怎么办,为什么向下取整而不是向上取整? 31.如果检测对象是细长条你怎么检测?如果对象细且倾斜你怎么办? 32.如果两个数据集 一个80类一个20类,两个数据中都包含另一个数据集的目标,但未进行标注,你怎么训练?例如:A中的车在B中有 但未标注而是作为标签。 33.解决过拟合的办法? 34.深度学习中的数据增强方法都有哪些? 35.卷积计算过程中减少计算量的优化方式 36.卷积层和池化层有什么区别? 37.关于Anchor-based与Anchor-free Anchor-based与Anchor-free的相同点和不同点: Anchor-based与Anchor-free的优劣: 38.关于roi pooling层 39.mean pooling和max pooling的前向和反向传播 40.方差和协方差的理解 41.Python的数据类型有哪些? 42.Python中is和==有什么区别? 43.Python中可变对象和不可变对象有哪些? 44.Python中删除的三种方法有什么区别?remove()、pop()、del |
面试问题总结——计算机网络和通讯协议 | 1.TCP和UDP有什么区别 2.TCP和UDP的应用场景 3.UDP可不可以实现安全传输 4.关于TCP的三次握手与四次挥手 三次握手理解 四次挥手理解 5.为什么连接的时候是三次握手,关闭的时候却是四次握手 6.为什么TIME_WAIT状态需要经过2MSL(最大报文段生存时间)才能返回到CLOSE状态 7.为什么不能用两次握手进行连接 8.如果已经建立了连接,但是客户端突然出现故障了怎么办 9.解释一下为什么TCP可靠一些 10.请简单解释一下,arp协议和arp攻击 11.什么是icmp协议,它的作用是什么 12.OSI七层和TCP/IP五层以及对应网络设备对比示例图 13.Get与POST的区别 14.DNS的寻址过程 15.从输入网址到获得页面的过程 |
面试问题总结——CV基础 | 1.为什么需要做特征归一化、标准化? 2.常用的归一化和标准化的方法有哪些? 3.介绍一下空洞卷积的原理和作用 4.怎么判断模型是否过拟合,有哪些防止过拟合的策略? 5.除了SGD和 Adam之外,你还知道哪些优化算法? 6.上采样的原理和常用方式 7.下采样的作用是什么?通常有哪些方式? 8.模型的参数量指的是什么?怎么计算? 9.深度可分离卷积的概念和作用 10.神经网络中Addition / Concatenate区别是什么? 11.激活函数是什么?你知道哪些常用的激活函数? 12.随机梯度下降相比全局梯度下降好处是什么? 13.如果在网络初始化时给网络赋予0的权重,这个网络能正常训练吗? 14.为什么要对网络进行初始化,有哪些初始化的方法? 15.梯度消失和梯度爆炸的原因是什么? 16.深度学习中的 batch 的大小对学习效果有何影响? 17.PyTorch 和 TensorFlow 的特点分别是什么? 18.数据不平衡的解决方法 19.为什么 max pooling 要更常用?什么场景下 average 20.为什么在模型训练开始会有 warm up? 21.训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些? 22.GAN 网络的思想 23.Attention 机制的作用 24.怎么提升网络的泛化能力 25.mAP值 |
关于面试找工作、工作中注意点的个人总结(一) | 1.面试找工作的总结 1.1 投递岗位的建议 1.2 谈薪资阶段的话术 1.3 找工作时要有自己的规划 1.4 面试阶段中的注意点 示例 1.5 对于offer的抉择 1.6 各类排序算法的时间、空间复杂度 2.职场中打工人的总结 2.1 提升自己的工作能力 2.2 如何鉴定何时跳槽 2.3 职场中的注意点 2.4 入职后担心代码能力跟不上 |
关于面试找工作、工作中注意点的个人总结(二) | 1. 请你自我介绍一下你自己 2. 你最擅长的技术方向是什么 3. 你怎么理解你应聘的职位 4. 对工作的期望与目标何在 5. 就你申请的这个职位,你认为你还欠缺什么 6. 你做过的哪件事最令自己感到骄傲 7. 如果我录用你,你将怎样开展工作 8. 你工作经验欠缺,如何能胜任这项工作 9. 如果你在这次面试中没有被录用,你怎么打算 10. 如果通过这次面试我们单位录用了你,但工作一段时间却发现你根本不适合这个职位,你怎么办 11. 谈谈你过去做过的成功案例 12. 谈谈你过去的工作经验中,最令你挫折的事情 13. 如何安排自己的时间?会不会排斥加班 14. 对这个职务的期许 15. 最能概括你自己的三个词是什么 16. 你经历太单纯,而我们需要的是社会经验丰富的人 17. 你性格过于内向,这恐怕与我们的职业不合适? |
关于面试找工作、工作中注意点的个人总结(三) | 1.请你自我介绍一下你自己 2.说说你最大的缺点 3.你对加班的看法 4.在五年的时间内,你的职业规划? 5.你朋友对你的评价 6.你还有什么问题要问吗 7.如果通过这次面试我们单位录用了你,但工作一段时间却发现你根本不适合这个职位 8.在完成某项工作时,你认为领导要求的方式不是最好的,自己还有更好的方法,你应该怎么做 9.如果你的工作出现失误,给本公司造成经济损失,你认为该怎么办 10.如果你做的一项工作受到上级领导的表扬,但你主管领导却说是他做的,你该怎样 11.谈谈你对跳槽的看法 12.工作中你难以和同事、上司相处,你该怎么办 13.假设你在某单位工作,成绩比较突出,得到领导的肯定。但同时你发现同事们越来越孤立你,如何看待 14.请说出你选择这份工作的动机 15.最能概括你自己的三个词是什么 16.你的业余爱好是什么 17.喜欢这份工作的哪一点 18.为什么要离职 19.说说你对行业、技术发展趋势的看法 20.对工作的期望与目标何在 21.就你申请的这个职位,你认为你还欠缺什么 22.你通常如何处理別人的批评? 23.你为什么愿意到我们公司来工作 24.你和别人发生过争执吗?你是怎样解决的 25.如果我录用你,你将怎样开展工作 26.你希望与什么样的上级共事 27.在完成某项工作时,你认为领导要求的方式不是最好的,自己还有更好的方法,你应该怎么做 28.与上级意见不一致怎么办 29.你工作经验欠缺,如何能胜任这项工作 30.为了做好你工作份外之事,你该怎样获得他人的支持和帮助 31.谈谈你过去做过的成功案例 32.谈谈你过去的工作经验中,最令你挫折的事情 33.何时可以到职 |
相关文章:
面经总目录——持续更新中
说明 本面经总结了校招时我面试各个公司的面试题目,每场面试后我都及时进行了总结,同时后期补充扩展了同类型的相近面试题,校招时从两个方向进行投递,视觉算法工程师和软件开发工程师(C方向),所…...
电力设备智能化方案复盘
本文针对公司在售的一款电力设备智能化方案的运营情况进行复盘分析,提出一些基于研发人员角度的看法及建议,欢迎大家交流,因本人经验有限,多多包涵。具体的产品用途和公司名称不方便透露。 1.背景 本方案是针对电网配电侧中某关键…...
Rocketmq刷盘机制和复制机制区别及关系
在RocketMQ中,刷盘机制和复制机制是两种不同但相互协作的机制,分别解决数据持久化和数据高可用的问题。它们的核心区别与关系如下: 一、刷盘机制(Flush Disk) 目标:解决单机数据持久化问题,确保…...
HTB 赛季8靶场 - Puppy
nmap扫描全端口 Nmap scan report for 10.129.243.117 Host is up, received echo-reply ttl 127 (0.47s latency). Scanned at 2025-05-18 21:12:56 EDT for 551s Not shown: 65512 filtered tcp ports (no-response) Bug in iscsi-info: no string output. PORT STATE …...
频分复用信号在信道中的状态
频分复用是一种将信道总带宽划分为多个互不重叠的子频带,每路信号占用一个子频带以实现多路信号并行传输的复用技术。 1、基本概念和原理 频分复用(Frequency Division Multiplexing, FDM)的核心思想是通过频率划分实现多路信号共享同一物理…...
CSS之box-sizing、图片模糊、计算盒子宽度clac、(重点含小米、进度条案例)过渡
一、Box-sizing 在使用盒子模型时往往会出现由于border\ padding设置过大,从而导致的盒子被撑大的情况。 此时可以设置box-sizing: border-box (padding和boeder加起来设置的值不可超出width) 此时不会撑大盒子。可在初始化时一起设置 * { padding:0; maigin:…...
AliSQL:阿里巴巴开源数据库的技术革新与应用实践
精心整理了最新的面试资料和简历模板,有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 引言 在数据驱动的互联网时代,高性能、高可靠的数据库系统是支撑企业核心业务的关键。AliSQL作为阿里巴巴集团基于MySQL深度定制的开源分支&…...
(二十四)Java网络编程全面解析:从基础到实践
一、网络编程概述 网络编程是现代软件开发中不可或缺的重要组成部分,它使得不同计算机上的程序能够相互通信和数据交换。Java作为一门成熟的编程语言,从最初版本就提供了强大的网络编程支持,使得开发者能够相对轻松地构建网络应用程序。 1.…...
50天50个小项目 (Vue3 + Tailwindcss V4) ✨ | Rotating Navigation (旋转导航)
📅 我们继续 50 个小项目挑战!—— Rotating Navigation 组件 仓库地址:🔗https://github.com/SunACong/50-vue-projects 项目预览地址:🔗https://50-vue-projects.vercel.app/ ✨ 组件目标 🌀…...
OpenCV 第6课 图像处理之几何变换(重映射)
1. 概述 简单来说,重映射就是把一副图像内的像素点按照规则映射到到另外一幅图像内的对应位置上去,形成一张新的图像。 因为原图像与目标图像的像素坐标不是一一对应的。一般情况下,我们通过重映射来表达每个像素的位置(x,y),像这样: g(x,y)=f(h(x,y)) 在这里g()是目标图…...
传输层协议:UDP和TCP
1.传输层概念 传输层主要负责两台主机之间的数据传输,使数据从发送端到接收端。 端口号 端口号标识了一个主机上进行通信的不同的应用程序。 传输层接收到数据后,是要给到具体的应用层的进程。所以发送端的传输层封装报文时,就要添加上将来…...
[Linux] Linux线程信号的原理与应用
Linux线程信号的原理与应用 文章目录 Linux线程信号的原理与应用**关键词****第一章 理论综述****第二章 研究方法**1. **实验设计**1.1 构建多线程测试环境1.2 信号掩码策略对比实验 2. **数据来源**2.1 内核源码分析2.2 用户态API调用日志与性能监控 **第三章 Linux信号的用法…...
MySQL 库的操作 -- 字符集和校验规则,库的增删查改,数据库的备份和还原
目录 1. 字符集和校验规则 1.1 查看系统默认字符集以及检验规则 1.2 查看数据库支持的字符集 1.3 查看数据库支持的字符集检验规则 1.4 校验规则对数据库的影响 2. 数据库的操作 2.1 创建数据库 2.1.1 语法 2.1.2 示例 2.2 查看数据库 2.2.1 语法 2.2.2 查看当前使…...
Opencv常见学习链接(待分类补充)
文章目录 1.常见学习链接 1.常见学习链接 1.Opencv中文官方文档 2.Opencv C图像处理:矩阵Mat 随机数RNG 计算耗时 鼠标事件 3.Opencv C图像处理:亮度对比度饱和度高光暖色调阴影漫画效果白平衡浮雕羽化锐化颗粒感 4.OpenCV —— 频率域滤波ÿ…...
Docker网络全景解析:Overlay与Macvlan深度实践,直通Service Mesh集成核心
一、Docker网络基石:从单机到跨主机的本质跨越 1.1 网络模式全景图 Docker原生网络架构: ├─ 单机网络(默认) │ ├─ bridge:默认NAT模式(docker0网桥) │ ├─ host:共…...
十五、面向对象底层逻辑-BeanDefinitionRegistryPostProcessor接口设计
一、引言:Spring容器启动的核心枢纽 在Spring容器的启动过程中,BeanDefinitionRegistryPostProcessor接口是开发者深度介入Bean定义注册阶段的核心扩展点。作为BeanFactoryPostProcessor的子接口,它赋予了开发者对BeanDefinitionRegistry的直…...
图表组件库TeeChart Pro VCL/FMX :简化复杂数据处理的可视化利器
在数据驱动决策的时代,把复杂的数据转化为直观、易懂的图表,是很多人都面临的挑战。TeeChart Pro VCL/FMX 就是一款能帮你解决这个难题的强大工具,它为开发者和数据分析师提供了丰富的功能,让数据可视化变得简单又高效。 一、丰富…...
从客厅到驾驶舱:FSHD 如何成为全场景显示「破局者」
一、当显示技术遇到「场景困境」:传统方案的三大痛点 周末午后的客厅,阳光透过纱窗洒在幕布上,传统投影机的画面瞬间发白;高速公路上,车载 HUD 在强光下字迹模糊,驾驶员不得不频繁低头看仪表盘;…...
时源芯微|开关电源电磁干扰的控制技术
要有效解决开关电源的电磁干扰问题,可从以下三个关键方面着手:其一,降低干扰源产生的干扰信号强度;其二,阻断干扰信号的传播路径;其三,提升受干扰体的抗干扰能力。基于此,开关电源电…...
动态规划之爬楼梯模型
文章目录 爬楼梯模型LeetCode 746. 使用最小花费爬楼梯思路Golang 代码 LeetCode 377. 组合总和 Ⅳ思路Golang 代码 LeetCode 2466. 统计构造好字符串的方案数思路Golang 代码 LeetCode 2266. 统计打字方案数思路Golang 代码 爬楼梯模型 爬楼梯模型是动态规划当中的一个经典模型…...
图论学习笔记 3
自认为写了很多,后面会出 仙人掌、最小树形图 学习笔记。 多图警告。 众所周知王老师有一句话: ⼀篇⽂章不宜过⻓,不然之后再修改使⽤的时候,在其中找想找的东⻄就有点麻烦了。当然⽂章也不宜过多,不然想要的⽂章也不…...
进阶知识:自动化测试框架开发之无参的函数装饰器
进阶知识:自动化测试框架开发之无参的函数装饰器 from functools import wrapsdef func_2(func):"""无参的函数装饰器:param func::return:"""wraps(func)def wrap_func(*args, **kwargs):print(开始执行: func.__name__…...
【实验增效】5 μL/Test 高浓度液体试剂!Elabscience PE Anti-Mouse Ly6G抗体 简化流式细胞术流程
产品概述 Elabscience 推出的 PE Anti-Mouse Ly6G Antibody (1A8, 货号: E-AB-F1108D) 是一款高特异性、高灵敏度的流式抗体,专为小鼠中性粒细胞(Ly6G⁺细胞)的精准检测而设计。该抗体采用PE(藻红蛋白)标记࿰…...
多模态光学成像革命:OCT、荧光与共聚焦的跨尺度融合新范式
一、技术融合的必然性 在生物医学成像领域,单一模态往往存在视野-分辨率悖论。光学相干断层扫描(OCT)虽能实现毫米级深度扫描(1010mm视野),但其微米级分辨率难以解析亚细胞结构;荧光显微成像(FMI)虽具有分子特异性标记优势(88mm中观视野),却受限于光毒性及穿透深度…...
CHI中ordering的抽象
上图是一个典型的读操作过程中的几个流程,其中: compdata, 这个就是CHI协议保序之Comp保序-CSDN博客中提到的,comp保序,它实现的功能是,通知这个请求的RN, 你的请求,我已经开始处理了,同时也相当…...
华为云Flexus+DeepSeek征文 | 基于ModelArts Studio 与 Cline 快速构建AI编程助手
目录 一、前言 二、ModelArts Studio(MaaS)介绍与应用场景 2.1ModelArts Studio(MaaS)介绍 2.2 ModelArts Studio(MaaS)使用场景 2.3 开通MaaS服务 2.4 开通DeepSeek-V3商用服务 三、Cline简介和安装 3.1 C…...
第二章 何谓第二大脑?笔记记录
2025/05/08 发表想法 用词太准确了,从信息过载-信息倦怠,正是我们当今社会信息工作者中正在经历的事情,同时大部分人也正在产生焦虑、不安、失眠等社会现象。 原文:然而信息的泛滥,非但难以起到赋能作用,反…...
题解:AT_abc244_e [ABC244E] King Bombee
一道图上 DP 的好题。 (题目自己看,我就不说了。) 首先一看到求方案数,首先就要反应的是 DP 或者排列组合,反正考试的时候我写半天排列组合没写出来,所以就只能是 DP 了。(好牵强的理由啊………...
C++显式声明explicit
C显示声明explicit 在 C 中,explicit 关键字用于修饰单参数构造函数或多参数构造函数(C11 起),其核心作用是禁止编译器的隐式类型转换。 一、必须加 explicit 的典型场景 1. 单参数构造函数 当构造函数只有一个参数时ÿ…...
哈希查找方法
已知哈希表长度为11,哈希函数为H(key)=key%11,随机产生待散列的小于50的8个元素,同时采用线性探测再散列的方法处理冲突。任意输入要查找的数据,无论是否找到均给出提示信息。 int f…...
AI编程辅助哪家强?深度解析主流AI编程工具的现状与未来-优雅草卓伊凡
AI编程辅助哪家强?深度解析主流AI编程工具的现状与未来-优雅草卓伊凡 引言:AI编程的崛起与开发者的新选择 在当今快速发展的科技时代,AI编程辅助工具已经成为开发者不可或缺的得力助手。作为一名资深的程序员,”优雅草卓伊凡”经…...
Python打卡训练营day27-函数-装饰器
知识点回顾: 装饰器的思想:进一步复用函数的装饰器写法注意内部函数的返回值 作业: 编写一个装饰器 logger,在函数执行前后打印日志信息(如函数名、参数、返回值) 装饰器实际上是一个增强函数,它…...
EtherCAT通信协议
EtherCAT(Ethernet for Control Automation Technology)是一种高性能的实时工业以太网通信协议,专为工业自动化和控制系统的需求设计。它结合了以太网的灵活性和工业实时通信的高效性,广泛应用于运动控制、机器人、过程自动化等领…...
多线程下如何保证事务的一致性
以下是关于Java多线程的详细介绍,适合作为知识博客的内容。我将从基础概念开始,逐步深入到分布式场景、线程池配置以及Spring Cloud集成等高级主题,并提供丰富的业务场景示例。 Java多线程核心概念 1. 线程与进程的区别 进程:程…...
OpenCv高阶(8.0)——答题卡识别自动判分
文章目录 前言一、代码分析及流程讲解(一)初始化模块正确答案映射字典(题目序号: 正确选项索引)图像显示工具函数 (二)轮廓处理工具模块(三)几何变换核心模块 二、主处理流程图像读取…...
量子通信技术:原理、应用与未来展望
在当今数字化时代,信息安全是全球关注的焦点。随着量子计算技术的飞速发展,传统的加密方法面临着前所未有的挑战。量子通信技术作为一种新兴的通信手段,以其绝对安全的特性,为信息安全领域带来了新的希望。本文将深入探讨量子通信…...
Token的组成详解:解密数字身份凭证的构造艺术
在当今的互联网身份认证体系中,Token如同数字世界的"安全护照",承载着用户的身份信息和访问权限。据统计,现代应用中80%以上的身份验证依赖于Token机制。本文将深入解析Token的各个组成部分,通过典型实例揭示其设计原理…...
【SFT监督微调总结】大模型SFT全解析:从原理到工具链,解锁AI微调的核心密码
文章目录 一. 什么是监督微调(SFT)?二. SFT的核心原理与流程2.1 基本原理2.2 训练流程三、SFT训练的常用方法四、SFT训练用的数据格式4.1、基础单轮指令格式1. Alpaca 格式2. 单轮QA格式3. 代码-注释对4.2、多轮对话格式1. ShareGPT 格式2. 层次化对话格式3. 角色扮演对话4.…...
MacBook Air A2179(Intel版)安装macOS Catalina所需时间
MacBook Air A2179(Intel版)安装macOS Catalina所需时间如下: 一、标准安装时间范围 常规安装(通过App Store) • 下载时间:约30-60分钟(取决于网络速度,安装包约8GB) •…...
Git的windows开发与linux开发配置
Git的基本配置 安装 linux可以使用包管理器安装windows可以使用 mingw的git:https://git-scm.com/downloadsTortoiseGit:https://tortoisegit.org/download/ 配置 分为系统配置–system、全局配置–global、项目配置–local 配置名称和邮箱 git co…...
使用Mathematica绘制一类矩阵的特征值图像
学习过线性代数的,都知道:矩阵的特征值非常神秘,但却携带着矩阵的重要信息。 今天,我们将展示:一类矩阵,其特征值集体有着很好的分布特征。 modifiedroots[c_List] : Block[{a DiagonalMatrix[ConstantAr…...
C++中的宏
0 资料 最值宏do{}while(0)的宏封装技巧 1 最值宏 - C最值的宏,在两个头文件中,分别为cfloat和climits。其中,float的最值宏在cfloat中,且cfloat没有负值的最小宏,而其他char、int和double是在climits中。如下// --…...
谷粒商城的三级分类实现
先查出全部的数据再分类 分类的一级分类是根据数据的Parent_id进行确定的,所以要进行筛选: 主方法: public List<CategoryEntity> listWithTree() {//1.查出所有分类List<CategoryEntity> entities baseMapper.selectList(nul…...
基于大模型预测的闭合性髌骨骨折诊疗全流程研究报告
目录 一、引言 1.1 研究背景与目的 1.2 研究意义与价值 二、大模型预测原理与方法 2.1 大模型概述 2.2 预测方法与数据输入 2.3 模型训练与优化 三、术前预测分析 3.1 骨折类型预测 3.2 损伤程度评估 3.3 潜在风险预测 四、手术方案制定 4.1 传统手术方案对比 4.…...
基于CodeBuddy的Craft完成一个数字华容道的小游戏
参考 CodeBuddy,AI 时代的智能编程伙伴 插件功能入门 总结 本文主要基于CodeBuddy的Craft 完成一个数字华容道的小游戏,如果读者还不清楚怎么安装,在本文的前面附上了CodeBuddy 编程助手的安装步骤。读者可以根据需求自行确定从那开始。 …...
一文掌握vue3基础,适合自学入门案例丰富
Vue3 本文从Vue3的基础语法出发,全面系统的介绍了Vue3的核心概念与应用,旨在帮助自学者更轻松地掌握Vue3。文章内容由浅入深,从通过CDN引入Vue3开始,逐步介绍了组合式API、模块化开发、以及常见的Vue3指令和功能并从单个html的使…...
OpenHarmony 5.0设置应用设置手势导航开关打开后重新关闭导航栏和设置界面重合
目录 1.背景 2.解决方案 1.背景 在OpenHarmony 5.0中从设置界面打开手势导航开关然后重新关闭,此时设置界面导航栏和设置列表主界面重合,导致设置界面无法点击最下面的关于设备 2.解决方案 首先参考之前的如何设置导航栏文档,我们可以自己…...
[ARM][汇编] 02.ARM 汇编常用简单指令
目录 1.数据传输指令 MRS - Move from Status Register 指令用途 指令语法 代码示例 读取 CPSR 到通用寄存器 在异常处理程序中读取 SPSR 使用场景 MSR - Move to Status Register 指令语法 使用场景 示例代码 改变处理器模式为管理模式 设置条件标志位 异常处理…...
系统架构设计(十七):微服务数据一致性和高可用策略
数据一致性问题 问题本质 由于每个微服务拥有独立数据库,跨服务操作不能用传统的数据库事务,面临“分布式事务”一致性挑战。 数据一致性策略 策略核心思想应用场景优缺点强一致性(Strong Consistency)所有操作实时同步成功&a…...
[Harmony]获取设备参数
获取屏幕宽度/屏幕高度/状态栏高度/导航栏高度/刘海高度/设备型号/系统版本号... DevicesUtil import window from ohos.window; import { common } from kit.AbilityKit; import display from ohos.display; import deviceInfo from ohos.deviceInfo; import i18n from ohos.…...