以上介绍的评价指标的选择和使用不依赖于具体的训练策略，它们都可以帮助我们了解整体性能以及各个类别的表现。无论是直接训练多分类模型还是使用多个二分类模型来辅助进行分类，我们都可以使用宏平均、微平均和加权平均来计算评价指标，以得到全局性能的衡量。

动画演示了给定一组二维数据，通过 KMeans 算法逐渐将它们分成三组的例子。可以看到，随着迭代的进行，每个聚类中心的位置逐渐趋于稳定。下面是对于二维坐标点的 KMeans 算法代码实现（大约 20 行代码），对于更高维的数据，只需要更新计算距离的公式即可，如果使用。KMeans 算法实现起来并不困难，只需要上面的四个步骤即可，但要证明其收敛性就需要用到很多数学知识了。等科学计算库来实现的话，需要

而在 C++ 或 Java 中，C++ 要求开发者手动管理内存，理解栈与堆的区别、指针与引用的使用、拷贝构造与移动语义等，Java 虽然具备垃圾回收机制，但其类型系统、JVM 内存模型、多线程并发控制等仍需要开发者具备扎实的系统知识。大厂的招聘标准，很大程度上由其现有的技术生态决定。因此，当技术团队正在维护一个基于 Java Spring Cloud 的微服务集群，或一个用 C++ 编写的高性能存

总的来说，大厂在招聘通用型软件工程师、后端工程师、系统工程师时，大多会以 C++ 或 Java 作为主要的编程语言考察工具。（4）数据分析/数据科学：此类岗位更侧重于快速分析与建模，Python 往往是面试语言的首选，对系统编程能力要求相对较低，因此在这类面试中也可能以 Python 考察为主，但仍可能被询问一些计算机基础问题。（3）客户端开发：移动端各有其主，像 iOS 常用 Swift/Obj

KMP 算法的计算过程启发的过程：上面的暴力方法是基于这样的一个尝试的思路，如果 s 中有一个子串和 p 是匹配的，因为任何一个子串都有一个开头位置，那么这个和 p 匹配的子串当然也有一个开头位置，又因为我们不知道哪个开头位置的子串和 p 是匹配的，因此我们尝试所有可能的开头。这样的查找方法，在遇到 s = “aaaaaaaaaaaaab”，p = “aab” 这样的情况的时候，会使得 p 只有在

以上介绍的评价指标的选择和使用不依赖于具体的训练策略，它们都可以帮助我们了解整体性能以及各个类别的表现。无论是直接训练多分类模型还是使用多个二分类模型来辅助进行分类，我们都可以使用宏平均、微平均和加权平均来计算评价指标，以得到全局性能的衡量。

如大家所了解的，面试中考察的算法和数据结构。

比如我们有两个进程 AB ，他们都需要资源 1 和资源 2 ，当进程 A 持有资源 1 ，进线程 B 持有资源 2 的时候，他们都需要对方手上的进程，而一般操作系统又不允许抢占，这个时候就发生了死锁。但如果是多写的情况，一般会经常产生冲突，这就会导致上层应用会不断的进行 retry ，这样反倒是降低了性能，所以一般多写的场景下用悲观锁就比较合适。（2）允许抢占，需要设置进程的不同优先级，高优先级的

在我们编写了 assertEquals 之后，Copilot 又一次猜出了我们的意图，生成了：assertEquals("99:59:59", TimeFormatUtils.formatTime(359999)) 这样的代码提示，非常方便。我身边的一些程序员笑称：自己已经混成了管理层，手下管理着多个员工：ChatGPT，Kimi，豆包等，每当有机械性的编码，我都交给他们。AI 在刷力扣题目中也有

二者的核心差异在于能力范式的根本不同。大语言模型的本质是静态的知识库与模式匹配器，它擅长在信息世界中进行应答、推理与生成，但与其的交互止于对话界面，是“思想的巨人，行动的矮子”。它不仅能理解你的意图（比如安排一次家庭旅行），还能将你的意图自动拆解为可执行的子任务（查机票、对比酒店、做攻略），并自主调用 API、操作软件、访问网络去完成物理或数字世界的实际动作。如你所知，从“百模大战”到“Agent