小白程序员必看:大半时间自学Java与AI开发,斩获字节AI应用开发Offer的完整学习笔记

华为数字化IT应用工程师面试经历 笔试 2021.3.18 刚刚做完了华为的机试题,一共三道编程题,可以使用本地IDE(那不果断jupyter),题目如下 我后来在牛客网上看到一哥们跟我的题一模一样,链接https://www.nowcoder.com/discuss/617066?type=all&order=time&pos=&page=1&channel=-1&source_id=search_all_nctrack 我最后成绩是0.3,AC,0.2,代码写的菜,我就不放我的代 阅读详情

本文分享作者从零基础自学Java和AI开发,最终成功获得字节AI应用开发offer的完整学习过程。内容涵盖Java开发的学习路线、项目实战经验,以及AI应用开发的入门知识、项目搭建和面试技巧。特别强调了AI时代下,掌握AI编程工具和算法的重要性,并提供了实用的学习资源和面试建议,适合想要进入AI开发领域的小白和程序员参考学习。

写在前面:

本人在25年9月之前从未接触过开发,也没做过任项目,python只懂基本语法,java更是从来没学过。

花了大概大半年的时间学习,最近找实习Java和AI开发的约面率都挺高的(字节,京东,百度,网易,快手,Shopee,阿里控股,Momenta,阅文。这部分面经可以看主页,有几个厂的面试没参考价值的没发),

最后也成功拿下字节AI应用开发的offer,希望这篇笔记能对你有所帮助。

注:笔记内容仅代表个人观点。

一、Java开发篇

  1. 1核心参考

Java学习主要参考b站’优雅ovo’的Java学习路线,这位博主主页的几个视频都很有价值,如果你是什么实习概念都不懂的小白,强烈建议把他主页的几个视频反复看几遍。

  1. 2学习路线补充

这里对在使用’优雅ovo’的Java学习路线写一些心得和补充。(建议先看完这个视频再看我的内容)

图片

路线:

个人觉得不用学的部分有’入门路线’的JDBC,SSM(某马路线的MyBatisPlus部分,动力节点路线),'进阶路线’的所有内容如无需要都可以不学。

其实看视频是一种学习效率很低的方式,尤其现在还是AI时代了,不懂的都可以问AI,在使用’入门路线’的时候大部分内容都可以不写代码,视频也可以高倍速快速过,项目除了’某马点评’以外的所有小demo项目都不用做,没啥用。

JUC和JVM的视频我觉得讲的不太好,建议跟’JavaGuide’和’二哥的Java进阶之路’中相关文档结合起来使用,这部分也不用反复看视频,一遍就行了,很多东西其实用不上,后面直接看’小林coding’的八股就可以。

所有视频都只建议看一遍,后面有不懂的可以问AI,可以看文档。

八股: 四大件(JUC,JVM,Redis,Mysql)初次学习,JUC和JVM看’JavaGuide’和’二哥的Java进阶之路’,Redis和Mysql看’小林coding’的图解系列。在学习完成之后,背八股的面试题都只建议看’小林coding’,内容详细,基本上常考的都覆盖到了。现在八股已经问的越来越少了,会常见的即可,不用花时间在一些冷门的上面。

算法: 算法部分个人觉得只会刷hot100’是不太够的,推荐使用’codetop’这个网站,统计了手撕的高频题,前5页刷得滚瓜烂熟基本就差不多了,我是前10页都刷了好几遍。平时有空也可以打打力扣的周赛,锻炼遇到陌生题的随机应变能力。

项目: 我的Java项目是对知识星球的Java项目进行了一定的扩展(避免广告嫌疑就不点名了,也不要问我。个人觉得最好的Java项目还是’某马点评),项目更建议自研或者在已有项目上做二次开发,形成差异化,就算用别人的项目,转变一下描述,简历上要让这个项目变得不像这个项目。hr一般不懂技术,干篇一律的项目hr都会筛掉了,更别说面试官了,我觉得形成差异化也是我约面率比较高的原因之一。

二、Agent开发/AI应用开发

  1. 1关于这个岗位

Agent开发和AI应用开发基本是一个东西,Agent开发和AI应用开发是最近这一年才兴起的岗位,定义还是比较模糊的,有的偏开发,有的偏算法,具体的还是要看JD(岗位描述)。相比于传统后端来说,这类岗位约面率和通过率都会更高,淘天已经取消传统后端开发岗了,全替换为AI应用开发的岗,这是未来的一个趋势,无论你做什么类型的开发,AI的东西一定要懂一些。

  1. 2核心参考

因为这个岗位比较新,网上没有看到成体系的路线和资料,就我个人的学习做一定的分享。

Python基础:我本科有一定python基础,所以直接看了两天’菜鸟教程’的python就快速捡起来了。如果你是连环境,conda,uv都不知道,属于没接触过python的小白,建议先去b站看python的视频,找播放量最高的视频即可。

Agent/RAG基础:github搜’hello-agents’和’all inrag’,由datawhale出品的教程,内容非常详细。

图片

datawhale主页也有其他很不错的教程,比如教aicoding之类的教程,学有余力也可以看一下。

学完datawhale系列基本对Agent开发已经有一个成体系的认知,就可以做项目了,优先选Langchian/Langgraph框架,不建议看视频,直接看Langchian/Langgraph的官方文档,讲的很详细,不懂的也可以问Al。项目建议自研,现在有这么多vibecoding的工具,想好一个idea很快就能搭建好。

微调: 微调属于加分项,不是必须项,时间不足的优先学LoRA微调,这个可以直接看论文或者网上搜博客就有,很多讲这个的。

AI基础:不用专门去学深度学习,机器学习的内容。算法层面懂Transformer和decoder-only就足够了,这部分在datawhale的’hello-agents’有讲,如果感觉对Transformer依然不太懂,可以在b站搜’堂吉诃德拉曼查的英豪’,讲的很详细。

AI八股: 没有很好的合集,主要看面经。

Al前沿:这部分比较杂,但是很重要,面试官现在很看重对AI的敏锐程度。平时多关注AI的新闻,这方面的技术迭代相当的快,去年还经常问的MCP今年已经不问了,都在问Speccoding,Harness,可以关注各个大厂的微信公众号,推荐阿里云技术的公众号。另外’堂吉诃德拉曼查的英豪’这位博主几个视频都很好,有多AI技术的概念分享,推荐可以看一看。

算法手撕:跟Java开发一样,参考1.2的算法。

三、其他杂谈

  1. 1面试体会

无论是Java开发还是AI开发,八股占比都已经越来越少,AI越来越重要了,面试官很关注你对AI的了解程度,会不会ai coding。

ai coding已经是实际工作不可或缺的一环了。面了好几场有一个很高频的问题:‘你用什么ai coding的工具,讲一讲你的使用心得和体会’,这是一个很开放的问题,也没有标准答案,但是能反应出你到底是不是ai coding重度使用者,只会写提示词是完全发挥不出aicoding能力的,甚至大部分人提示词写得都不好。

  1. 2简历

简历很重要,可以用腾讯校招官网的简历模板或者小林coding的简历模板库,不要做得太花哨。

简历分为教育背景,实习经历,项目经验,专业技能,这四部分就足够了。自我评价,学校的班委或者社团活动之类的不建议写,占篇幅也会显得简历很空洞。这是技术岗,你要明白面试官看重的是你的技术能力。

没有实习经历的话全部内容写到一页就足够了,我简历上有三个项目都只用了一页。hr要看很多简历,没空挨个看两三页的简历。内容不要写那么详细,不要写成技术文档,面试官感兴趣他就会问你细节的。

  1. 3常见疑问
  • 不懂Java(传统开发)可以找AI应用开发的岗位吗?

可以。这个看组,有的组是传统后端结合AI的业务,有的是纯A业务的组,不会传统后端也可以找AI应用开发的岗,只是选择面会少一些。只要进了面试就是简历上有啥就问啥。ai coding用什么,怎么用?推荐用claudecode/codex,b站有很多教程,模型可以接deepseekv4pro,物美价廉。

  • 手撕是ACM模式吗?

大厂基本都是。代码都是用ai coding写的可以吗?完全可以,面试官更喜欢aicoding比例高的人,ai时代我们更需要判断能力,决策能力。

  • 有没有推荐的项目?

有idea,会aicoding,就可以自研。不建议买项目,很多出名的博主卖的项目其实都一般。实在要买随便哪个出名的博主都可以(不做推荐,自己网上去搜),买的项目最好也进行二次开发,加入一些自己的思考。

  • 面试有什么技巧?

自信,表达的时候落落大方;无论什么项目,在面试官眼里基本都很toy,大厂更看重潜力,是否自信,是否有激情。就算遇到不会的问题也不要露怯,能讲多少讲多少。

最后,祝大家都能成功上岸。

图片

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线科技企业深耕十二载,见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事,早已在效率与薪资上形成代际优势,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包:

  • ✅ 从零到一的 AI 学习路径图
  • ✅ 大模型调优实战手册(附医疗/金融等大厂真实案例)
  • ✅ 百度/阿里专家闭门录播课
  • ✅ 大模型当下最新行业报告
  • ✅ 真实大厂面试真题
  • ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ,朋友们如果有需要 《AI大模型入门+进阶学习资源包》,下方扫码获取~
在这里插入图片描述

① 全套AI大模型应用开发视频教程

(包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点)
在这里插入图片描述

② 大模型系统化学习路线

作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!
在这里插入图片描述

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。
在这里插入图片描述

④ AI大模型最新行业报告

2025最新行业报告,针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。
在这里插入图片描述

⑤ 大模型项目实战&配套源码

学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。
在这里插入图片描述

⑥ 大模型大厂面试真题

面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

图片

以上资料如何领取?

在这里插入图片描述

为什么大家都在学大模型?

最近科技巨头英特尔宣布裁员2万人,传统岗位不断缩减,但AI相关技术岗疯狂扩招,有3-5年经验,大厂薪资就能给到50K*20薪!

图片

不出1年,“有AI项目经验”将成为投递简历的门槛。

风口之下,与其像“温水煮青蛙”一样坐等被行业淘汰,不如先人一步,掌握AI大模型原理+应用技术+项目实操经验,“顺风”翻盘!
在这里插入图片描述
在这里插入图片描述

这些资料真的有用吗?

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理,现任上海殷泊信息科技CEO,其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证,服务航天科工、国家电网等1000+企业,以第一作者在IEEE Transactions发表论文50+篇,获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目,无论你是小白还是有些技术基础的技术人员,这份资料都绝对能帮助你提升薪资待遇,转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

以上全套大模型资料如何领取?

在这里插入图片描述

诺瓦星云一面面经 岗位嵌入式软件开发(Linux方向) 晒一晒我的offer#8.10开始,投递了150多公司,收到10个公司面试,拿到1个意向(牛马工通行证) #求职# 本人双211,本科非科班,有项目经历、两段。#基恩士#我点进去笔试的题目,发现需要纸和笔,但我身边没有笔和纸,我就拿了ipad和笔当草稿纸写的,,,我淦,我服了我自己了,连根笔都没有。该题的大致思路是将数组中的n个元素视为小球,收到测评48小时内完成一共有6关:一、数字排序二、投影三视图三、飞行四、瞄准五、路径六、数理挺有趣的,但是不简单,需要多刷刷题,不然过不了的题库用完了,需要的d。 阅读详情

相关推荐

2026届前端秋招上岸实录:简历、面试与避坑全复盘

前端开发岗位的校招竞争日益激烈,行业对候选人的要求已从“会写页面”转向“能解决复杂问题”。理解浏览器渲染原理、JavaScript事件循环、框架响应式机制等底层知识,是应对技术面试的基础;而工程化能力,如构建工具优化、微前端方案、CI/CD集成,则成为简历筛选与面试考察的高频重点。在此基础上,通过算法刷题与手写代码训练夯实基本功,结合真实项目进行量化复盘,才能展现技术深度。本文以2026届秋招为背景,梳理从投递策略、简历包装到面试实战的完整链路,并总结避坑经验,为正在备战前端校招的读者提供一套可落地的参考方

weixin_33889665的博客 356

小白程序员逆袭拿字节AI开发Offer!收藏这份保姆级学习路线和AI应用开发秘籍

如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序员和小白!👇👇扫码免费领取全部内容👇👇1、大模型系统化学习路线。

大模型研究中心 269

前端转型AI一周实战:SSE+RAG项目速成与面试攻略

随着大模型技术普及,AI应用前端开发成为热门方向。理解流式输出(SSE)和知识库问答(RAG)是构建智能交互产品的核心,也是从传统前端迈向AI领域的必备技能。业界对AI前端工程师的需求已从调用API延伸到对数据流处理、交互体验和结果评估的全面把控。本文以一周转型为主线,讲解如何高效利用AI辅助工具、掌握SSE流式渲染、实现RAG检索链路,并通过实战项目准备面试。无论是寻求职业突破的前端开发者,还是想系统学习AI应用实践的技术人员,都能从中获取可落地的工程方案。

weixin_33895695的博客 439

小白程序员逆袭拿下字节AIoffer!收藏这份学习路线,AI应用开发轻松入门!

如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序员和小白!👇👇扫码免费领取全部内容👇👇1、大模型系统化学习路线。

xxue345678的博客 314

k-shape时间序列聚类实战:从理论到tslearn实现

本文深入探讨了k-shape时间序列聚类算法,从核心原理到tslearn库的实战应用。k-shape通过标准化互相关系数衡量序列形状相似性,专注于识别波动模式而非绝对数值。文章详细介绍了算法流程、Python环境搭建、数据预处理、最佳K值确定方法,并通过完整代码示例展示了模型训练与结果可视化,帮助读者掌握这一强大的“形状捕手”工具。

weixin_29061465的博客 167

VMware Workstation Pro必备技巧:5分钟搞定Ubuntu虚拟机磁盘瘦身(附常见错误解决)

本文详细介绍了如何为VMware Workstation Pro中的Ubuntu虚拟机进行磁盘瘦身,解决.vmdk文件只增不减的问题。通过清理系统垃圾、使用零填充空闲空间,并利用vmware-toolbox-cmd或vmware-vdiskmanager工具进行压缩,可有效回收被无效占用的磁盘空间。文章还提供了常见错误解决方案和预防性维护建议,帮助用户高效管理虚拟机存储。

sea99的博客 290

小白程序员逆袭拿大厂Offer!AI应用开发学习路线+面试技巧全解析(收藏版)

2026年技术圈的分化愈发明显:降薪裁员潮持续蔓延,传统开发、测试等岗位大批缩水,不少从业者陷入职业焦虑;与之形成鲜明对比的是,AI大模型相关岗位迎来疯狂扩招,薪资逆势飙升150%,大厂更是直接开出70-100W年薪,疯抢具备实战能力的大模型人才,甚至放宽年龄限制,只求能快速落地技术、创造价值!1、窗口期红利,入门门槛友好:不同于成熟赛道的“内卷式招聘”,2026年大模型人才缺口巨大,简历只要达标(掌握基础AI应用+具备简单项目经验),年龄、学历均非硬性要求,小白可快速入门,转行程序员也能无缝衔接;

EnjoyEDU的博客 305

COMSOL中的动网格

首先我们先了解几个概念 (1)网格重划分(remesh):就是在某些特定的区域进行网格的重新划分,在Maxwell软件中的直线运动区域,当运动物体运动后,这个区域进行重新划分。 (2)morph:网格不重新划分,小范围的进行网格变形,针对运动物体运动位移较小,对变形区域不进行重划分,能够提高效率。 (3)网格滑移(sliding):针对圆形运动区域,运动与非运动区域进行网格滑移,当然边界上两侧网格不共节点,该方法不需要网格重新划分,大部分软件针对圆形运动区域采用该方法,比如maxwell的band,b

midiio的博客 7858

大厂校招薪资揭秘:小白程序员必看,高薪Offer收藏指南!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。

2401_85378759的博客 630

gem5 run parsec2.1 ---- 亲测跑通教程

使用gem5模拟仿真parsec2.1,排除了各种bug,成功跑通,亲测有效!!!

m0_55539563的博客 1541

WD西部数据2TB,2.5寸移动硬盘,因为磁头坏了,长时间通电导致划片划伤,维修过程通过反复更换磁头

WD西部数据2TB,2.5寸移动硬盘,因为磁头坏了,长时间通电导致划片划伤,维修过程通过反复更换磁头,才能利用专业设备,里面找到,镜像,把内容数据恢复出来。 1.说一下经历,借用的别人移动硬盘,去帮别人维修,拷数据出来,别人的文件,数据比较多,且复杂,而且是在PE系统,接口什么的是2.0,没有很好的思考就全选复制拷贝了; 2,拷贝的过程,极其慢,文件多,且文件有损坏,移动硬盘一直处于通电的状态,大概从下午,两点多开始100多G的数据,一直卡住,到,晚上7 。8点拷完还是没拷完。打开的时候就已经,就一直

weixin_43766920的博客 4289

大厂校招薪资大揭秘:小白程序员必看,收藏这份热门岗位薪资指南!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。

kaka0722ww的博客 722

[pytorch] MedicalNet 3D Resnet预训练模型迁移学习实战:从分割到分类的代码改造

本文详细介绍了如何利用PyTorch对MedicalNet 3D ResNet预训练模型进行迁移学习,从分割任务改造为分类任务。通过解析模型结构、调整分类头、加载预训练权重及优化训练策略,帮助开发者在医疗影像领域快速实现高效模型部署。文章还涵盖了数据预处理、增强技巧及模型轻量化等实用内容。

kmeans3miner的博客 241

小白程序员必看:热门大厂校招薪资及热门三个方向(前后端、Agent/AI、测开)薪资汇总!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。

qq_46094651的博客 261

移动机器人底盘-四轮差速模型(四轮独立)

对于底盘的前轮和后轮来说,其速度是同步的,那么在理想条件下,可以将底盘运动视为以ICR为圆心做圆周运动,对于四个轮子来说,圆周运动的角速度是一致的,圆周运动圆心ICR始终位于底盘几何中心COG的y轴延长线上,ICR与COG之间的距离。有关,整个底盘的速度位于速度瞬心COM处,用。四轮差速底盘设定左轮、右轮得速度分别为。圆周运动的角速度公式如式1所示。受约束,约束与圆周运动的角速度。合成,设四个轮子的速度分别为。,设左轮和右轮之间的轴距为。为圆周运动角速度,线速度为。,其均由预设目标速度。

Moresweet 猫甜 1万+

通达信主力检测利器

主力轨迹:100*EMA(EMA(MTM,N1),N1)/EMA(EMA(ABS(MTM),N1),N1),COLORWHITE;主力拉高:IF(VAR51<REF(VAR51,1),VAR51,0),COLORYELLOW,NODRAW;洗盘:IF(VAR5<REF(VAR5,1),VAR5,0),COLOR000079,NODRAW;主力进场:IF(VAR5>REF(VAR5,1),VAR5,0),COLORRED,NODRAW;MAZL:MA(主力轨迹,N2),COLORYELLOW;

zhibiaogong的博客 7409

大厂校招薪资揭秘:前端、AI、测开方向薪资大盘点,小白必看!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。当下AI大模型是当下实打实的优质风口,岗位缺口大、发展前景广、薪资待遇突出,对比内卷严重、涨薪晋升困难的传统技术岗,是普通人转行逆袭的绝佳选择。

EnjoyEDU的博客 660

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

大厂校招薪资揭秘:热门岗位收入大盘点,小白必看收藏!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。当下AI大模型是当下实打实的优质风口,岗位缺口大、发展前景广、薪资待遇突出,对比内卷严重、涨薪晋升困难的传统技术岗,是普通人转行逆袭的绝佳选择。

大模型研究中心 370

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2019年字节跳动招聘算法岗,他们最看重哪些新技术能力?

【导读】合格的算法工程师真正应该具备什么技能?在面试时,面试官又会如何验证你具备这些新技能?毕业仅一年,相继拿下头条、阿里、腾讯等offer的本文作者,为你绘制了一幅面试技能雷达图。1◆...

过往记忆大数据 2333

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

java决策树算法_今年字节跳动招聘算法岗,他们最看重哪些新技术能力?

点击上方“MLNLP”,选择“星标”公众号重磅干货,第一时间送达来源|面试互助社【导读】合格的算法工程师真正应该具备什么技能?在面试时,面试官又会如何验证你具备这些新技能?毕业仅一年,相继拿下头条、阿里、腾讯等offer的本文作者,为你绘制了一幅面试技能雷达图。1◆◆哲学第一命题:我是谁?◆◆211B段高校毕业的小硕一枚,光电子专业(偏光通信工程)。专业方向实在不想去,也没有好的选...

weixin_39958100的博客 139

大厂校招薪资大揭秘:收藏这份热门岗位薪资表,小白也能轻松看懂!

固定现金:每月多少,保证发几个月,首年怎么折算。浮动收入:年终和绩效的条件是什么,像京东那种「70% 能拿满」的说法要问清楚。额外奖励:签字费何时发、有无返还条件,像百度那样分 2 年发的要单独算;股票分几年归属。实际工作:做什么、在哪做,岗位内容是不是自己想积累的方向。

ytt0523_com的博客 140

AI产品岗秋招逆袭!计算机应届生没实习?用这个方法直接拿下26k字节Offer!

一位普通一本计算机应届生,通过转型AI产品岗,凭借毕设项目重构为作品集,结合技术背景与产品思维,成功斩获字节跳动AI产品岗Offer(26K)。文章强调:AI产品岗最缺懂技术的PM,建议应届生拆解JD、将毕设转化为可展示的作品集,并利用信息差抢占“少人竞争”的岗位池,实现职业突破。

Trb701012的博客 312

大模型落地实战指南:从选择到训练,深度解析显卡选型、模型训练

面试内容1、一套sql笔试题,逻辑不复杂,不过关联的表比较多,有点写不下,面试官大概看一下思路,不追。3、数仓的架构,每一层的作用?1、介绍下几个项目2、用到的c++17新特性3、epoll、select、poll4、线程同步5、死。昨天面了阿里三个部门,自我感觉有的表现还可以,面试官反馈也还可以,结果今天一看全挂bg双九心态爆炸了。xdm我双二学历,以后目标是去好点的银行工作,目前0实习0论文,想4-6月日常实习,7-8月暑期实习。会点大数据、自然语言处理,主攻JAVA,淘天、蚂蚁、饿了么有内。

han_xue_feng的博客 1001
上一篇: 掌握Human-in-the-Loop人机协同技术,让你的AI Agent更安全高效!
下一篇: 2026程序员薪资排行榜更新!大模型赛道碾压传统开发,小白也能逆袭高薪!
大模型本地部署
博客等级 码龄4年 7416粉丝 2537原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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