本文将从全栈视角出发：首先说清楚 Mock 是什么、为什么用，然后横向对比前后端 Mock 的本质差异与各自工具链，再纵向落地到 Vue 3 + Vite 项目中进行实战演练，最后补充后端的 Mock 示例作为扩展阅读。读完这篇，应能独立完成前端联调，也能看懂后端同事写的 @Mock 单元测试代码。

深度学习入门需要扎实的数学、编程和机器学习基础。数学方面需掌握线性代数（张量运算）、微积分（梯度下降）和概率统计（交叉熵）；编程需熟练Python、NumPy和数据处理工具；机器学习要理解数据集划分、过拟合等概念。硬件上入门级电脑即可，推荐使用PyTorch框架和Anaconda环境管理。最重要的是保持实践导向的学习心态，从小项目入手逐步深入。掌握这些预备知识能有效避免80%的入门困难，为后续学习

本文介绍了深度学习中最基础的线性神经网络模型，包括线性回归和softmax回归。线性回归用于预测连续值（如房价），通过最小化平方损失函数来优化模型参数；softmax回归用于分类问题（如图像识别），通过交叉熵损失函数将输出转化为概率分布。文章详细讲解了从零实现和框架简洁实现两种方式，并强调了矢量化计算的重要性。此外，还介绍了Fashion-MNIST数据集的应用，以及softmax运算中的数值稳定

本文介绍了多层感知机(MLP)的基本原理和实现方法。MLP通过添加隐藏层和激活函数，解决了单层神经网络无法处理非线性关系的局限性。文章详细讲解了ReLU等激活函数的作用，并对比了从零实现和PyTorch简洁实现两种方式。针对过拟合问题，重点介绍了权重衰减和Dropout两种正则化技术。最后通过Kaggle房价预测项目，展示了完整的MLP应用流程，包括数据预处理、模型训练和评估等环节。文章还讨论了梯

本文系统介绍了深度学习中的核心组件与工具，包括层、块、参数管理和GPU加速。主要内容包括：1）层与块的概念，如何自定义块和嵌套块；2）参数访问、初始化和绑定方法；3）延后初始化的优势；4）自定义层的实现；5）模型参数的保存与加载；6）GPU加速的使用技巧。文章采用电脑硬件组装的比喻，帮助读者理解深度学习模型的构建过程，从基础使用进阶到高级定制，为后续学习更复杂的神经网络模型奠定基础。

本文介绍了现代卷积神经网络（CNN）从AlexNet到VGG的发展历程，重点分析了AlexNet的创新之处及其对深度学习的重要影响。文章首先指出LeNet在处理复杂图像时的局限性，随后详细阐述了AlexNet的关键改进：更深的网络结构、ReLU激活函数的使用、GPU加速训练以及Dropout防止过拟合。通过对比表格和结构示意图，展示了AlexNet如何通过多层卷积和池化操作逐步提取图像特征，最终实

本文系统介绍了神经网络的学习机制与关键组件。

一、选择题 15 道，每题 2 分，共 30 分二、理论题 4 道，每题 8 分，共 32 分三、程序题 3 道，每题 8 分，共 24 分四、综合题 1 道，14 分（分 3 小问：6 分、4 分、4 分）

hadoop 集群，负责资源的管理和调度组件HDFS 操作：使用 hadoop fs 命令查看文件（查看文件名称、文件的大小等）Hive 中数据的存储格式，了解每一种存储格式的适合存储什么样的类型的数据Linux 中权限的设置，如：使用命令给目录或文件赋予可读可写的权限SSH 生成免密登录使用的密钥MapReduce 过程中，map 阶段、reducer 阶段，采用技术 shuffle 的作用是什

从map输出开始，传送map输出到Reduce作为输入的过程，对同一个map中输出的键相同的数据先进行整合，减少传输的数据量，并将数据按键排序。NameNode层面：DataNode向NameNode上报块信息，NameNode更新元数据，返回成功响应给客户端。4)流水线写入完成后，如何知道写入成功（从namenode和datanode两种节点）NameNode：管理文件系统命名空间，存储元数据（