前言

不论是校招还是社招都避免不了各种面试、笔试，如何去准备这些东西就显得格外重要。不论是笔试还是面试都是有章可循的，我这个“有章可循”说的意思只是说应对技术面试是可以提前准备，所谓不打无准备的仗就是这个道理，以下为大家，描述了从面试准备到最后的拿到offer提供了非常详细的目录，建议可以从头看是看几遍，如果基础不错的话也可以挑自己需要的章节查看。

八大库

1.libavutil
核心工具库，最基础模块之一，其他模块都会依赖该库做一些基本的音视频处理操作
2. libavformat
文件格式和协议库，封装了Protocol层和Demuxer、muxer层，使得协议和格式对于开发者来说是透明的
3. libavcodec
编解码库，封装了Codec层，但是有一些codec是具备自己的License的，FFmpe不会默认添加像libx264、FDK-AAC、Lame等库，但是FFmpeg想一个平台，可以将其他的第三方codec以插件的方式添加进来，为开发者提供统一接口
4.libavfilter
音视频滤镜库，该模块包含了音频特效和视频特效的处理，在使用FFmpeg的API进行编解码的过程中，可以使用该模块高效的为音视频数据做特效处理
5. libavdevice
输入输出设备库，比如需要编译出播放声音或者视频的工具ffplay，就需要确保该模块是打开的，同事也需要libsdl的预先编译，该设备模块播放声音和视频都又是使用libsdl库
6.libswresample
用于音频重采样，可以对数字音频进行声道数、数据格式、采样率等多种基本信息的转换
7.libswscale
该模块用于图像格式转换，可以将YUV的数据转换为RGB的数据
8.libpostproc
该模块用于进行后期处理，当我们使用filter的时候，需要打开这个模块，filter会用到这个模块的一些基础函数
比较老的ffmpeg还会编译出avresamle模块，也是用于对音频原始出具进行重采样的，但是已经被废弃，推荐使用libswresample替代
另外，库里还可以包含对H.264/MPEG-4 AVC视频编码的X264库，是最常用的有损视频编码器，支持CBR、VBR模式，可以在编码的过程中直接改变码率的设置，在直播的场景中非常适用！可以做码率自适应的功能。

常用函数

1.av_register_all()：注册所有组件
2.avformat_open_input()：打开输入视频文件
3.avformat_find_stream_info()：获取视频文件信息
4.avcodec_find_decoder()：查找解码器
5.avcodec_open1()：打开解码器
6.av_read_frame()：从输入文件读取一帧压缩数据
7.avcodec_decode_video2()：解码一桢压缩数据
8.avcodec_close()：关闭解码器
9.avformat_close_input()：关闭输入视频文件

最后说一下我的学习路线

其实很简单就下面这张图，含概了Android所有需要学的知识点，一共8大板块：

1. 架构师筑基必备技能
2. Android框架体系架构（高级UI+FrameWork源码）
3. 360°Androidapp全方位性能调优
4. 设计思想解读开源框架
5. NDK模块开发
6. 移动架构师专题项目实战环节
7. 移动架构师不可不学习微信小程序
8. 混合开发的Flutter

Android学习的资料

我呢，把上面八大板块的分支都系统的做了一份学习系统的资料和视频，大概就下面这些，我就不全部写出来了，不然太长了影响大家的阅读。需要的小伙伴可以私信我【进阶】我免费分享给大家，或者直接点击下面链接领取，谢谢大家这么久以来的支持。

Android学习PDF+架构视频+面试文档+源码笔记

如果你有其他需要的话，也可以在GitHub上查看，下面的资料也会陆续上传到Github

330页PDF Android学习核心笔记（内含上面8大板块）

Android学习的系统对应视频

总结

我希望通过我自己的学习方法来帮助大家去提升技术：

• 1、多看书、看源码和做项目，平时多种总结

• 2、不能停留在一些基本api的使用上，应该往更深层次的方向去研究，比如activity、view的内部运行机制，比如Android内存优化，比如aidl，比如JNI等，并不仅仅停留在会用，而要通过阅读源码，理解其实现原理

• 3、同时对架构是有一定要求的，架构是抽象的，但是设计模式是具体的，所以一定要加强下设计模式的学习

• 4、android的方向也很多，高级UI，移动架构师，数据结构与算法和音视频FFMpeg解码，如果你对其中一项比较感兴趣，就大胆的进阶吧！

  进阶学习资料领取方式：GitHub

9F%E5%A6%82%E4%BD%95%E9%9D%A2%E8%AF%95%E6%8B%BF%E9%AB%98%E8%96%AA%EF%BC%81.md)**

希望大家多多点赞，转发，评论加关注，你们的支持就是我继续下去的动力！加油！

0824深度学习笔记--李沐《动手学深度学习》

目录

简单数据操作

元素访问

元素基本操作

数据预处理

简单数据操作

N维数组是机器学习和神经网络的主要数据结构

元素访问

比如数组[[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]]

访问一个元素：[1,2]）（7）

访问一行元素：[1,:] （[5,6,7,8]）

访问一列元素：[:,1]（2，6，10，14）

子区域：[1:3,1:]（表示第1行到第3行的开区间结束，即第1行和第2行，第1列开始到后面所有列）

子区域：[::3,::2]（表示把第0行和第3行拿出来，再把第0列和第2列拿出来）

元素基本操作

创建数组（形状、数据类型、每个元素的数值）

访问元素（按特定单数值、行、列、特定区域）

常见标准算数运算（+ - * / ** e**() ）

张量合并（torch.cat((X,Y),dim = 0)）

逻辑运算符（X==Y）

所有元素求和（X.sum() ）

通过广播机制来进行求和（）

为多个元素赋值为相同的值，先索引再为其赋值

转换为numpy张量 （torch.tensor() / .numpy() ）

将大小为1的张量转换为python标量

import torch
x = torch.arange(20)# 创建一个行向量 x
print(x)#打印行向量x
print(x.shape)#通过shape属性查看张量形状
print(x.numel)#
X = x.reshape(4, 5)#改为4行5列
y = torch.zeros((2,3))#2行3列 0
z = torch.ones((3,4))#2行4列  1
print(y,z)
a = torch.randn(3, 4)#随机标准高斯采样 3行4列
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

数据预处理

使用pandas 来进行导入数据文件

Data = pd.read_csv(data_file)

Data

预测缺失数据

插值和删除

import pandas
dada = pd.read_csv(data_file)
print(data)

Andrew NG 深度学习课程笔记：神经网络、有监督学习与深度学习

神经网络、有监督学习与深度学习从属于笔者的Deep Learning Specialization 课程笔记系列文章，本文主要记述了笔者学习 Andrew NG Deep Learning Specialization 系列课程的笔记与代码实现。

神经网络、有监督学习与深度学习

深度学习正在逐步地改变世界，从网络搜索、广告推荐这样传统的互联网业务到健康医疗、自动驾驶等不同的行业领域。百年前的电气革命为社会带来了新的支柱产业，而如今 AI 正是新时代的电力基础，驱动社会技术的快速发展。本课程的第一部分，关注于如何构建包括深度神经网络在内的神经网络以及如何利用数据训练该网络，课程的最后将会构建出可识别动物的深度神经网络。本课程的第二部分将会讲解更多有关于深度学习实践的相关资料，包括超参数调优、正则化、如何从 Momentum Armrest Prop 以及 AD Authorization 等算法中选择合适的优化算法。第三部分将会学习如何自定义机器学习项目，如何进行数据预处理、将数据应用到模型训练、提取交叉校验的训练集与验证集等内容。第四部分将会着眼于卷积神经网络 CNN，如何构建经典的 CNN 模型。在最后的第五部分，将会学习构建序列模型（Seq2Seq 等）以解决自然语言处理相关的任务；典型的序列模型包括了 RNNs、LSTM 等。

神经网络

深度学习往往关联于大规模神经网络的训练，本章我们即来了解下何谓神经网络。以经典的房屋价格预测为例，假设我们拥有六组房屋数据，每组包含了房屋的面积以及价格；我们希望寻找合适的函数来根据房屋的尺寸预测房屋价格。如果我们采用线性回归来解决这个问题，我们会画出一条 y = kx + b 这样的函数线，其形式如下黑色线所示：

我们知道房屋的价格不可能为负数，因此我们可以将使用 ReLU（Rectified Linear Unit）函数来描述尺寸与价格之间的关系，如上图蓝色线型所示。我们可以将该问题抽象为输入为房间的尺寸 x，输出为房间的价格 y，而某个神经元即为接受输入并且进行合适的运算之后输出目标值的函数：

如上图所示即是最简单的单元神经网络，而复杂的神经网络即是由无数的神经元分层连接堆叠而成。譬如实际的房屋价格会由尺寸、卧室数目、所属区域（Zip Code）以及社区的富裕程度影响。我们理想的神经网络即是能够自动帮我们构建隐层（Hidden Units），即输入单元之间的关系以进行最好地预测：

给定输入之后，神经网络的任务之一即是为我们自动构建隐层；每个隐层单元都会输入输入层的全部特征作为输入值。

有监督学习

神经网络的分类很多，不过截止到目前大多数的有价值的神经网络都还是基于机器学习中所谓的有监督学习（Supervised Learning）。在有监督学习中，我们的训练数据集中已知了特征与结果输出之间的对应关系，而目标就是寻找正确的输入与输出之间的关系表示。譬如目前最赚钱的深度学习应用之一，在线广告中就是输入有关于网站展示的信息以及部分用户的信息，神经网络会预测用户是否会点击该广告；通过为不同的用户展示他们最感兴趣的广告，来增加用户的实际点击率。下表即列举了几种常见的领域应用与它们的输入输出：

计算机视觉近年来也发展迅速，典型的应用之一即是图片标注；我们可能随机输入一张图片来寻找与它最相近的图片。语音识别则是能够将用户输入的语音数据转化为文字表述；机器翻译则是能将不同语言间的语句进行自由转化，譬如将某个英文段落转化为对应的中文表述。而在自动驾驶中，我们可能会输入某张从雷达中获取的车前图片，来判断路上其他车的相对位置。而对于这些不同的行业领域我们也需要应用不同类型的神经网络，譬如对上文提及的房价预测，我们就可以使用标准的神经网络；而对于图片应用则会优先考虑使用卷积神经网络（CNN）。

而对于序列数据，譬如随时间播放的音频流，其可以表示为一维的时间序列，我们通常会使用 RNN 来处理这个类型的数据。而在文本处理中，我们也常常将文本表示为字符序列，因此也往往会使用 RNN 来处理这个类型的数据。对于自动驾驶这样更为复杂的应用，我们可能会需要同时处理图片、文本等多种类别的数据，因此会使用混合网络架构。

模型训练中我们常见的另一组概念就是结构化数据与非结构化数据，结构化数据有点类似于关系型数据库中存放的数据；譬如上面介绍的房屋价格预测中，我们会拥有包含了尺寸、卧室数等列的数据表，这种形式的就是所谓结构化数据。结构化数据中每个特征，譬如房间尺寸、卧室数目、用户年龄等都有可解释的意义；而非结构化数据的典型代表，语音、文本或者图片，往往会使用像素值或者单个词作为特征向量的组成，这些特征值往往很难有实际意义的解释。人类经过长时间的进化之后能够较好地辨析非结构化数据，而利用深度学习技术，现在机器也在不断提升自身对于非结构化数据的辨析能力。

深度学习

深度学习背后的理论基础与技术概念已经出现了有数十年，本部分我们即来讨论为何直到近些年深度学习才得到了爆炸性的发展。我们可以用下图来描述数据集的大小与算法性能（准确率、推准率等）之间的关系：

对于支持向量机、Logistics 回归这样经典的机器学习算法而言，在数据量从零递增的初始阶段，其性能会不断提升；不过很快就会触碰到天花板，此时性能很难再随着数据集的增长而提升。而伴随着移动互联网时代的到来，我们能够从网站、移动应用或者其他安装在电子终端设备上的传感器中获取到海量的数据；这些数据在开启大数据时代的同时也为深度学习的发展提供了坚实的基础。我们在上图中也可以看出，越是大型的神经网络随着数据量的增加，其性能提升的越快，并且其性能天花板也是越高。
深度学习崛起的另一个重要基石就是计算能力的提升，这里不仅指新一代 CPU 或者 GPU 设备，还有是在许多基础优化算法上的革新，都使得我们能够更快地训练出神经网络。譬如早期我们会使用 Sigmod 函数作为神经网络的激活函数，随着 x 的增大其梯度会逐渐趋近于零，这就导致了模型收敛变得相对缓慢；而 ReLU 则能较好地避免这个问题，其在正无穷大时梯度值依然保持恒定。简单地从 Sigmod 函数迁移到 ReLU 即能够为模型训练带来极大的效率提升，这也方便了我们构建出更复杂的神经网络。

延伸阅读

• 面向程序猿的数据科学与机器学习知识体系及资料合集
• 机器学习、深度学习与自然语言处理领域推荐的书籍列表
• 数据科学与机器学习概述

Android 学习笔记--android——Activity学习

Activity
创建的三要素：
1、创建的类要去继承activity
2、setContentView();应用布局文件
3、在清单文件中进行配置
android:name="com.example.ex_0310_01.MainActivity"
（包名.类名）

1、
A---->B
调用startActivity(intent);
A界面：

//获得一个意图对象
Intent intent = new Intent();
intent.setClass(MainActivity.this, SecondActivity.class);        
//传递附加消息  
//以键值对的形式去传递消息
//key:必须是字符串
//value:基本数据类型，以及实现了序列化接口的对象
intent.putExtra("key1", "你好");
intent.putExtra("key2", true);
//开启一个新的activity
startActivity(intent);

B界面：

//获取A界面传过来的意图对象
Intent intent = getIntent();
//通过key去把意图对象里的信息获取到
boolean extra = intent.getBooleanExtra("key3", false);
String str = intent.getStringExtra("key1");
2、
A---->B---->A
A：

// 获得一个意图对象
Intent intent = new Intent();
intent.setClass(MainActivity.this, SecondActivity.class);
// 传递消息
// 以键值对的形式去传递消息
// key:必须是字符串
// value:基本数据类型，以及实现了序列化接口的对象
intent.putExtra("key1", "你好");
intent.putExtra("key2", true);
// 开启一个新的activity 并且等待消息返回
startActivityForResult(intent, 0);

B：

Intent data = new Intent();
data.putExtra("msg", "消息已收到");
setResult(0, data );
//关闭当前界面
finish();

A：

//接收B界面返回的消息
@Override
protected void onActivityResult(int requestCode, int resultCode, Intent data)
{   
    super.onActivityResult(requestCode, resultCode, data);
    String msg = data.getStringExtra("msg");
    mTextView.setText(msg);
}

请求码：
A有两个按钮，都是跳转到B，B界面处理完返回消息，
就用请求码进行区分，是点击了哪一个按钮跳转到B，然后
返回A的
startActivityForResult(intent , 请求码);

结果码：
B有两个按钮，都是跳回到A，A界面就是通过结果码来进行判断
返回不同的处理信息
setResult(结果码, data );

对于消息的处理都是在onActivityResult这个方法中去实现的。

如果想学习了解更多Android知识的可以观看下面的视频哦
相关视频
Android知识理论

android从入门到精通！阿里内部Android笔记火爆IT圈，挥泪整理面经