数据挖掘-多分类模型中的FN、FP怎么算？—

多分类模型中的FN、FP怎么算？: 根据定义：
假阳性（FP）: 实际为负，预测为正
假阴性（FN）: 实际为正，预测为负；
对于二分类问题，这个比较清楚。但是对于多分类问题，我仍旧比较迷糊。
比如：
y_true = [0,1,2,0,1,2]
y_pred = [0,2,1,0,0,1]
此时：
1. y_true中的1,2是否都算负类？
2. 如果是，那针对0类，我的理解：TP为2，FP为1，先看预测正类的数目为3，其中2个猜对，1个猜错。
3. FN应该为3，TN为0，因为预测有三个负类，但是都预测错了。
求正解~~; 编辑于：2019.04.23 14:05 发布于：2019.04.23 13:54

| 评论0 | 收藏 | 浏览1403 |

: lmw0320

声望： 75

1个回答

按赞数排序

多分类问题计算FP和FN你需要先列出混淆矩阵

真实\预测      0      1      2
    0               2      0      0
    1               1      0      1
    2               0      2      0

那么分类讨论：

对于类别0的 FP=1 TP=2 FN=0 TN=3
对于类别1的 FP=2 TP=0 FN=2 TN=2
对于类别2的 FP=1 TP=0 FN=2 TN=3

然后进一步的宏查准率Marco-P、宏查全率Marco-R、宏F1 Macro-F1、微查准率Mirco-P、微查全率Mirco-R、微F1 Micro-F1的计算就是以上面9个值为基准进行的

编辑于：2019.04.23 16:03 发布于：2019.04.23 16:00

评论 4 |

| 已采纳

: 浩劫重生

声望： 20

: 浩劫重生 回复lmw0320: 是; 大约一年之前回复

: lmw0320 回复浩劫重生: 对于二分类，这个很清楚。但是对于多分类，就有些迷糊了。假使针对类别0，那1,2类的都算是负类吧。; 大约一年之前回复

: 浩劫重生 回复lmw0320: FN 假的负样本——就是原本应该是正的样本被分到了负，就是假的负；TN 真的负样本——就是原本是负的样本确实被分到了负，就是真的负；TP+FN=实际正样本个数 TN+FP=实际负样本个数; 大约一年之前回复

: lmw0320 列混淆矩阵没什么问题。。我就是看不出来FN和TN。。能否具体解释下，FN和TN的值是怎么来的？; 大约一年之前回复

: 插入链接

本地上传网络图片

上传中...

浏览

上传图片

插入图片

其他相关推荐

数据挖掘分类中关于分类器评估度量的一道题: 数据元组已经按分类器返回概率值的递减序排序。对于每个元组，计算真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）的个数。计算真正例率（TPR）和假正例率（FPR）。图片贴不出来，大概就是有十个元组，元组的类是N或者P，还有概率。比如元组1的类是P，概率是0.95，元组2的类是N，概率是0.85等等递减排列。我想问的是题目所说的“分类器返回概率值”指的是什么？是贝叶斯方法中的后验概率吗？如果是的话TP、FP等是怎么根据后验概率算出来的？如果不是的话那个概率是什么？TP、FP等是怎么算出来的？

一道蓝桥杯斐波那契数列题数列的递推公式为：Fn=Fn-1+Fn-2，其中F1=F2=1。: Fibonacci数列的递推公式为：Fn=Fn-1+Fn-2，其中F1=F2=1。当n比较大时，Fn也非常大，现在我们想知道，Fn除以10007的余数是多少。 public void solve2(int a){ int [] arr=new int[a+1]; arr[1]=arr[2]=1; for(int i=3;i<arr.length;i++){ arr[i]=(arr[i-1]+arr[i-2])%10007;//对每一个斐波那契数列进行取余数 } System.out.println(arr[a]); } 我想问一下 arr[i]=(arr[i-1]+arr[i-2])%10007 对每一斐波那契数列进行取余是什么意思如何理解我是这样理解的例如当i=4时余数为 i=3的余数加i=2的余数再除以10007取余这样对吗为什么等于先求值再取余

单例模式中 fn.apply(this,arguments) 问题: 最近再学习 javascript 设计模式第一个单例模式中有个例子如下： ``` <body> <button id="loginBtn">登录</button> <script type="text/javascript"> var createLoginLayer = function(){ var div = document.createElement("div"); div.innerHTML = '我是登录浮窗'; div.style.display = 'none'; document.body.appendChild(div); return div; }; var getSingle = function(fn){ var result; return function(){ return result || (result = fn.apply(this,arguments)); } }; var createSingleLoginLayer = getSingle(createLoginLayer); document.getElementById('loginBtn').onclick = function(){ var loginLayer = createSingleLoginLayer(); loginLayer.style.display = 'block'; }; </script> </body> ``` 实现是需要登录框时点击登录时只出现一个登录框其中 ``` var getSingle = function(fn){ var result; return function(){ return result || (result = fn.apply(this,arguments)); } }; ``` 这段代码中fn.apply(this,arguments) 不知道怎么理解用断点查看其中的this指向window 但是我用fn();替换也是可以的不知道fn.apply(this,arguments)这段代码怎么理解我知道apply() 这个第一个参数是绑定上下文用的，是否当createSingleLoginLayer()被调用时this是否指向createSingleLoginLayer本身请解答下

如何用BestExporter保存的最优模型验证测试集。: 我训练了一个带early stopping的模型，用BestExporter保存最优模型，如何导出最优模型并且读取用测试集验证auc？ ``` exporter = tf.estimator.BestExporter( name="best_exporter", serving_input_receiver_fn=serving_input_fn, exports_to_keep=5) # this will keep the 5 best checkpoints os.makedirs(model.eval_dir()) early_stopping = tf.contrib.estimator.stop_if_no_increase_hook(model, metric_name='eval_auc', max_steps_without_increase=20000, run_every_secs=400) train_spec = tf.estimator.TrainSpec(input_fn=make_input_fn('/hdfs/user/reco/sample_v1', 10), hooks=[early_stopping]) eval_spec = tf.estimator.EvalSpec(input_fn=make_evaluate_input_fn(), exporters=exporter, throttle_secs=120) tf.estimator.train_and_evaluate(model, train_spec, eval_spec) ```

用C语言证明费波拉契数列中Fn/Fn+1等于黄金分割。要求有输入输: 用C语言证明费波拉契数列中Fn/Fn+1等于黄金分割。要求有输入输出

jquery中 $.fn的使用问题: 代码如下： ``` /*test.js*/ (function( $ ){ $.fn.test = function() { var data = {}; alert('test'); return data; }; })( jQuery ); /*test.jsp*/ //引入jquery文件和test.js var a = $("#abc").test(); ``` 当我调用定义的test时，控制台提示找不到test，但是如果只是一个简单的function则可以调用到，我问题出在哪呢，希望指点一下。

JSTL fn:contains 服务器报错: <c:if test="${fn:contains(${dctable.j0105} ,"因病")}">checked="checked"</c:if> ![图片说明](https://img-ask.csdn.net/upload/201711/20/1511168747_308133.png) 不知道哪里有问题，第一次使用这个JSTL表达式，请求救sos，目的是为了根据从数据库中读取数据并且可以给checkbox打钩

jstl的fn函数replace方法怎么用?: 我想用fn的replace方法替换掉从数据库中取出的内容所包含的html标签; ``` ${fn:substring(news.content,0,105).replace("<p>", "")} ``` 我这样写是正常的,可是只能替换p标签,我想用正则表达式去替换所有的html标签,应该怎么写?

c++内如何导入tensorflow中训练好的模型: 我现在用tensorflow训练了一个自己搭建的卷积神经网络，现在需要再用c++实现该网络，不知道如何将这个模型保存成文本文件，然后再导入c++

jquery $.fn $.fx是什么意思: <p><span style="font-size: medium;">最近学习jquery中发现会有类似$.fn，$.fx等等的东西，请问这些是什么意思，哪里有这方面的详细资料吗</span></p>

JQuery中new那点事 jQuery() 返回的是 new jQuery.fn.init(): jQuery() 返回的是 new jQuery.fn.init()，而 var obj = new jQuery()，所以这 2 者是相当的，所以我们可以无 new 实例化 jQuery 对象。这句话怎么理解，jQuery构造函数返回的是一个new的对象，然后你var obj = new jQuery()，又是一个new对象，相当于new 一个new对象，这是一样的吗，没理解

谁能在Go Tour网站上解释一下compute（fn func（））代码吗？: <div class="post-text" itemprop="text"> <pre><code>package main import ( "fmt" "math" ) func compute(fn func(float64, float64) float64) float64 { return fn(3, 4) } func main() { hypot := func(x, y float64) float64 { return math.Sqrt(x*x + y*y) } fmt.Println(hypot(5, 12)) fmt.Println(compute(hypot)) fmt.Println(compute(math.Pow)) } </code></pre> <p>Is the fn func() a function inside a function?? Can someone help with what is exactly the func compute doing here?. And I'm quite new to GO programming.</p> </div>

用C语言证明费波拉契数列中Fn+1/Fn等于黄金分割。要求有输入输出: 用C语言证明费波拉契数列中Fn+1/Fn等于黄金分割。要求有输入输出

训练风格迁移模型时遇到一些无法解决的错误: # coding: utf-8 from __future__ import print_function import tensorflow as tf from nets import nets_factory from preprocessing import preprocessing_factory import utils import os slim = tf.contrib.slim def gram(layer): shape = tf.shape(layer) num_images = shape[0] width = shape[1] height = shape[2] num_filters = shape[3] filters = tf.reshape(layer, tf.stack([num_images, -1, num_filters])) grams = tf.matmul(filters, filters, transpose_a=True) / tf.to_float(width * height * num_filters) return grams def get_style_features(FLAGS): """ For the "style_image", the preprocessing step is: 1. Resize the shorter side to FLAGS.image_size 2. Apply central crop """ with tf.Graph().as_default(): network_fn = nets_factory.get_network_fn( FLAGS.loss_model, num_classes=1, is_training=False) image_preprocessing_fn, image_unprocessing_fn = preprocessing_factory.get_preprocessing( FLAGS.loss_model, is_training=False) # Get the style image data size = FLAGS.image_size img_bytes = tf.read_file(FLAGS.style_image) if FLAGS.style_image.lower().endswith('png'): image = tf.image.decode_png(img_bytes) else: image = tf.image.decode_jpeg(img_bytes) # image = _aspect_preserving_resize(image, size) # Add the batch dimension images = tf.expand_dims(image_preprocessing_fn(image, size, size), 0) # images = tf.stack([image_preprocessing_fn(image, size, size)]) _, endpoints_dict = network_fn(images, spatial_squeeze=False) features = [] for layer in FLAGS.style_layers: feature = endpoints_dict[layer] feature = tf.squeeze(gram(feature), [0]) # remove the batch dimension features.append(feature) with tf.Session() as sess: # Restore variables for loss network. init_func = utils._get_init_fn(FLAGS) init_func(sess) # Make sure the 'generated' directory is exists. if os.path.exists('generated') is False: os.makedirs('generated') # Indicate cropped style image path save_file = 'generated/target_style_' + FLAGS.naming + '.jpg' # Write preprocessed style image to indicated path with open(save_file, 'wb') as f: target_image = image_unprocessing_fn(images[0, :]) value = tf.image.encode_jpeg(tf.cast(target_image, tf.uint8)) f.write(sess.run(value)) tf.logging.info('Target style pattern is saved to: %s.' % save_file) # Return the features those layers are use for measuring style loss. return sess.run(features) def style_loss(endpoints_dict, style_features_t, style_layers): style_loss = 0 style_loss_summary = {} for style_gram, layer in zip(style_features_t, style_layers): generated_images, _ = tf.split(endpoints_dict[layer], 2, 0) size = tf.size(generated_images) layer_style_loss = tf.nn.l2_loss(gram(generated_images) - style_gram) * 2 / tf.to_float(size) style_loss_summary[layer] = layer_style_loss style_loss += layer_style_loss return style_loss, style_loss_summary def content_loss(endpoints_dict, content_layers): content_loss = 0 for layer in content_layers: generated_images, content_images = tf.split(endpoints_dict[layer], 2, 0) size = tf.size(generated_images) content_loss += tf.nn.l2_loss(generated_images - content_images) * 2 / tf.to_float(size) # remain the same as in the paper return content_loss def total_variation_loss(layer): shape = tf.shape(layer) height = shape[1] width = shape[2] y = tf.slice(layer, [0, 0, 0, 0], tf.stack([-1, height - 1, -1, -1])) - tf.slice(layer, [0, 1, 0, 0], [-1, -1, -1, -1]) x = tf.slice(layer, [0, 0, 0, 0], tf.stack([-1, -1, width - 1, -1])) - tf.slice(layer, [0, 0, 1, 0], [-1, -1, -1, -1]) loss = tf.nn.l2_loss(x) / tf.to_float(tf.size(x)) + tf.nn.l2_loss(y) / tf.to_float(tf.size(y)) return loss train.py from __future__ import print_function from __future__ import division import tensorflow as tf from nets import nets_factory from preprocessing import preprocessing_factory import reader import model import time import losses import utils import os import argparse slim = tf.contrib.slim def parse_args(): parser = argparse.ArgumentParser() parser.add_argument('-c', '--conf', default='conf/mosaic.yml', help='the path to the conf file') return parser.parse_args() def main(FLAGS): style_features_t = losses.get_style_features(FLAGS) # Make sure the training path exists. training_path = os.path.join(FLAGS.model_path, FLAGS.naming) if not(os.path.exists(training_path)): os.makedirs(training_path) with tf.Graph().as_default(): with tf.Session() as sess: """Build Network""" network_fn = nets_factory.get_network_fn( FLAGS.loss_model, num_classes=1, is_training=False) image_preprocessing_fn, image_unprocessing_fn = preprocessing_factory.get_preprocessing( FLAGS.loss_model, is_training=False) processed_images = reader.image(FLAGS.batch_size, FLAGS.image_size, FLAGS.image_size, 'F:\Anaconda3\7\train2014/', image_preprocessing_fn, epochs=FLAGS.epoch) generated = model.net(processed_images, training=True) processed_generated = [image_preprocessing_fn(image, FLAGS.image_size, FLAGS.image_size) for image in tf.unstack(generated, axis=0, num=FLAGS.batch_size) ] processed_generated = tf.stack(processed_generated) _, endpoints_dict = network_fn(tf.concat([processed_generated, processed_images], 0), spatial_squeeze=False) # Log the structure of loss network tf.logging.info('Loss network layers(You can define them in "content_layers" and "style_layers"):') for key in endpoints_dict: tf.logging.info(key) """Build Losses""" content_loss = losses.content_loss(endpoints_dict, FLAGS.content_layers) style_loss, style_loss_summary = losses.style_loss(endpoints_dict, style_features_t, FLAGS.style_layers) tv_loss = losses.total_variation_loss(generated) # use the unprocessed image loss = FLAGS.style_weight * style_loss + FLAGS.content_weight * content_loss + FLAGS.tv_weight * tv_loss # Add Summary for visualization in tensorboard. """Add Summary""" tf.summary.scalar('losses/content_loss', content_loss) tf.summary.scalar('losses/style_loss', style_loss) tf.summary.scalar('losses/regularizer_loss', tv_loss) tf.summary.scalar('weighted_losses/weighted_content_loss', content_loss * FLAGS.content_weight) tf.summary.scalar('weighted_losses/weighted_style_loss', style_loss * FLAGS.style_weight) tf.summary.scalar('weighted_losses/weighted_regularizer_loss', tv_loss * FLAGS.tv_weight) tf.summary.scalar('total_loss', loss) for layer in FLAGS.style_layers: tf.summary.scalar('style_losses/' + layer, style_loss_summary[layer]) tf.summary.image('generated', generated) # tf.image_summary('processed_generated', processed_generated) # May be better? tf.summary.image('origin', tf.stack([ image_unprocessing_fn(image) for image in tf.unstack(processed_images, axis=0, num=FLAGS.batch_size) ])) summary = tf.summary.merge_all() writer = tf.summary.FileWriter(training_path) """Prepare to Train""" global_step = tf.Variable(0, name="global_step", trainable=False) variable_to_train = [] for variable in tf.trainable_variables(): if not(variable.name.startswith(FLAGS.loss_model)): variable_to_train.append(variable) train_op = tf.train.AdamOptimizer(1e-3).minimize(loss, global_step=global_step, var_list=variable_to_train) variables_to_restore = [] for v in tf.global_variables(): if not(v.name.startswith(FLAGS.loss_model)): variables_to_restore.append(v) saver = tf.train.Saver(variables_to_restore, write_version=tf.train.SaverDef.V1) sess.run([tf.global_variables_initializer(), tf.local_variables_initializer()]) # Restore variables for loss network. init_func = utils._get_init_fn(FLAGS) init_func(sess) # Restore variables for training model if the checkpoint file exists. last_file = tf.train.latest_checkpoint(training_path) if last_file: tf.logging.info('Restoring model from {}'.format(last_file)) saver.restore(sess, last_file) """Start Training""" coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) start_time = time.time() try: while not coord.should_stop(): _, loss_t, step = sess.run([train_op, loss, global_step]) elapsed_time = time.time() - start_time start_time = time.time() """logging""" # print(step) if step % 10 == 0: tf.logging.info('step: %d, total Loss %f, secs/step: %f' % (step, loss_t, elapsed_time)) """summary""" if step % 25 == 0: tf.logging.info('adding summary...') summary_str = sess.run(summary) writer.add_summary(summary_str, step) writer.flush() """checkpoint""" if step % 1000 == 0: saver.save(sess, os.path.join(training_path, 'fast-style-model.ckpt'), global_step=step) except tf.errors.OutOfRangeError: saver.save(sess, os.path.join(training_path, 'fast-style-model.ckpt-done')) tf.logging.info('Done training -- epoch limit reached') finally: coord.request_stop() coord.join(threads) if __name__ == '__main__': tf.logging.set_verbosity(tf.logging.INFO) args = parse_args() FLAGS = utils.read_conf_file(args.conf) main(FLAGS) ` ![图片说明](https://img-ask.csdn.net/upload/202003/08/1583658602_821912.png) 错误情况如图

sql数据误删，昨天删除的数据 sys.fn dblog 有记录吗?: 昨天删除的数据 sys.fn dblog 有记录吗? 我怎么查不到，求大神解析

使用TensorFlow Slim微调模型出错，每次保存显示都是第0步: 在使用TensorFlow Slim微调模型时，train_dir目录下面总是只保存第0步的结果，但是还是保持5min更新一次，只是每次更新的都是第0步，我想请问你这是什么原因。我使用的是CPU调试。谢谢！！train_dir目录下保存结果如下图所示：

出错-单值上下文中的多值fn（）: <div class="post-text" itemprop="text"> <p>I want to pass the results from a function fn() returning multiple values into a function wantx() that accepts multiple values. This seems to work if the number of values accepted by wantx() matches the number of return values. For example, fn() returns 2 values, and want2() accepts 2 values:</p> <pre><code>r:= want2( fn(5) ) // seems to work fine </code></pre> <p>However, if I want the return values of fn() to act as arguments 2 and 3 of want3(), then I get an error:</p> <pre><code>r:= want3( 1, fn(5) ) // error: multiple-value fn() in single-value context </code></pre> <p>How is want2() a multiple-value context while want3() is not ?</p> <p>How do I get the call to want3() to work ?</p> <p>Here is the full program:</p> <pre><code>package sandbox import "testing" func want3(fac int, i int, ok bool) int { if ok { return i * fac * 2 } return i * fac * 3 } func want2(i int, ok bool) int { if ok { return i * 2 } return i * 3 } func fn(i int) (int, bool) { return i, true } func TestCall(t *testing.T) { // error: multiple-value fn() in single-value context // r := want3(1, fn(5)) r := want2( fn(5) ) // works fine if r != 10 { t.Errorf("Call!") } } </code></pre> </div>

jstl fn.tld 找不到某方法: The class org.apache.taglibs.standard.functions.Functions specified in TLD for the function fn:startsWith cannot be found: org.apache.taglibs.standard.functions.Functions 配置正确，无法找到该方法，求教各位，谢谢。

easyUI数据网格行扩展报错$.fn.datagrid is undefined: ![图片说明](https://img-ask.csdn.net/upload/201610/27/1477549439_75501.png)

大学四年自学走来，这些私藏的实用工具/学习网站我贡献出来了: 大学四年，看课本是不可能一直看课本的了，对于学习，特别是自学，善于搜索网上的一些资源来辅助，还是非常有必要的，下面我就把这几年私藏的各种资源，网站贡献出来给你们。主要有：电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。注意：文中提到的所有资源，文末我都给你整理好了，你们只管拿去，如果觉得不错，转发、分享就是最大的支持了。一、电子书搜索对于大部分程序员...

在中国程序员是青春饭吗？: 今年，我也32了，为了不给大家误导，咨询了猎头、圈内好友，以及年过35岁的几位老程序员……舍了老脸去揭人家伤疤……希望能给大家以帮助，记得帮我点赞哦。目录：你以为的人生一次又一次的伤害猎头界的真相如何应对互联网行业的「中年危机」一、你以为的人生刚入行时，拿着傲人的工资，想着好好干，以为我们的人生是这样的：等真到了那一天，你会发现，你的人生很可能是这样的： ...

Java基础知识面试题（2020最新版）: 文章目录Java概述何为编程什么是Javajdk1.5之后的三大版本JVM、JRE和JDK的关系什么是跨平台性？原理是什么Java语言有哪些特点什么是字节码？采用字节码的最大好处是什么什么是Java程序的主类？应用程序和小程序的主类有何不同？Java应用程序与小程序之间有那些差别？Java和C++的区别Oracle JDK 和 OpenJDK 的对比基础语法数据类型Java有哪些数据类型switc...

我以为我学懂了数据结构，直到看了这个导图才发现，我错了: 数据结构与算法思维导图

String s = new String(" a ") 到底产生几个对象？: 老生常谈的一个梗，到2020了还在争论，你们一天天的，哎哎哎，我不是针对你一个，我是说在座的各位都是人才！上图红色的这3个箭头，对于通过new产生一个字符串（”宜春”）时，会先去常量池中查找是否已经有了”宜春”对象，如果没有则在常量池中创建一个此字符串对象，然后堆中再创建一个常量池中此”宜春”对象的拷贝对象。也就是说准确答案是产生了一个或两个对象，如果常量池中原来没有 ”宜春” ,就是两个。...

技术大佬：我去，你写的 switch 语句也太老土了吧: 昨天早上通过远程的方式 review 了两名新来同事的代码，大部分代码都写得很漂亮，严谨的同时注释也很到位，这令我非常满意。但当我看到他们当中有一个人写的 switch 语句时，还是忍不住破口大骂：“我擦，小王，你丫写的 switch 语句也太老土了吧！” 来看看小王写的代码吧，看完不要骂我装逼啊。 private static String createPlayer(PlayerTypes p...

Linux面试题（2020最新版）: 文章目录Linux 概述什么是LinuxUnix和Linux有什么区别？什么是 Linux 内核？Linux的基本组件是什么？Linux 的体系结构BASH和DOS之间的基本区别是什么？Linux 开机启动过程？Linux系统缺省的运行级别？Linux 使用的进程间通信方式？Linux 有哪些系统日志文件？Linux系统安装多个桌面环境有帮助吗？什么是交换空间？什么是root帐户什么是LILO？什...

Linux命令学习神器！命令看不懂直接给你解释！: 大家都知道，Linux 系统有非常多的命令，而且每个命令又有非常多的用法，想要全部记住所有命令的所有用法，恐怕是一件不可能完成的任务。一般情况下，我们学习一个命令时，要么直接百度去搜索它的用法，要么就直接用 man 命令去查看守冗长的帮助手册。这两个都可以实现我们的目标，但有没有更简便的方式呢？答案是必须有的！今天给大家推荐一款有趣而实用学习神器 — kmdr，让你解锁 Linux 学习新姿势...

和黑客斗争的 6 天！: 互联网公司工作，很难避免不和黑客们打交道，我呆过的两家互联网公司，几乎每月每天每分钟都有黑客在公司网站上扫描。有的是寻找 Sql 注入的缺口，有的是寻找线上服务器可能存在的漏洞，大部分都...

史上最全的 python 基础知识汇总篇，没有比这再全面的了，建议收藏: 网友们有福了，小编终于把基础篇的内容全部涉略了一遍，这是一篇关于基础知识的汇总的文章，请朋友们收下，不用客气，不过文章篇幅肯能会有点长，耐心阅读吧爬虫（七十）多进程multiproces...

讲一个程序员如何副业月赚三万的真实故事: loonggg读完需要3分钟速读仅需 1 分钟大家好，我是你们的校长。我之前讲过，这年头，只要肯动脑，肯行动，程序员凭借自己的技术，赚钱的方式还是有很多种的。仅仅靠在公司出卖自己的劳动时...

女程序员，为什么比男程序员少？？？: 昨天看到一档综艺节目，讨论了两个话题：（1）中国学生的数学成绩，平均下来看，会比国外好？为什么？（2）男生的数学成绩，平均下来看，会比女生好？为什么？同时，我又联想到了一个技术圈经常讨...

85后蒋凡：28岁实现财务自由、34岁成为阿里万亿电商帝国双掌门，他的人生底层逻辑是什么？...: 蒋凡是何许人也？ 2017年12月27日，在入职4年时间里，蒋凡开挂般坐上了淘宝总裁位置。为此，时任阿里CEO张勇在任命书中力赞：蒋凡加入阿里，始终保持创业者的冲劲，有敏锐的...

总结了 150 余个神奇网站，你不来瞅瞅吗？: 原博客再更新，可能就没了，之后将持续更新本篇博客。

副业收入是我做程序媛的3倍，工作外的B面人生是怎样的？: 提到“程序员”，多数人脑海里首先想到的大约是：为人木讷、薪水超高、工作枯燥…… 然而，当离开工作岗位，撕去层层标签，脱下“程序员”这身外套，有的人生动又有趣，马上展现出了完全不同的A/B面人生！不论是简单的爱好，还是正经的副业，他们都干得同样出色。偶尔，还能和程序员的特质结合，产生奇妙的“化学反应”。 @Charlotte：平日素颜示人，周末美妆博主大家都以为程序媛也个个不修边幅，但我们也许...

MySQL数据库面试题（2020最新版）: 文章目录数据库基础知识为什么要使用数据库什么是SQL？什么是MySQL?数据库三大范式是什么mysql有关权限的表都有哪几个MySQL的binlog有有几种录入格式？分别有什么区别？数据类型mysql有哪些数据类型引擎MySQL存储引擎MyISAM与InnoDB区别MyISAM索引与InnoDB索引的区别？InnoDB引擎的4大特性存储引擎选择索引什么是索引？索引有哪些优缺点？索引使用场景（重点）...

新一代神器STM32CubeMonitor介绍、下载、安装和使用教程: 关注、星标公众号，不错过精彩内容作者：黄工公众号：strongerHuang最近ST官网悄悄新上线了一款比较强大的工具：STM32CubeMonitor V1.0.0。经过我研究和使用之...

如果你是老板，你会不会踢了这样的员工？: 有个好朋友ZS，是技术总监，昨天问我：“有一个老下属，跟了我很多年，做事勤勤恳恳，主动性也很好。但随着公司的发展，他的进步速度，跟不上团队的步伐了，有点...

我入职阿里后，才知道原来简历这么写: 私下里，有不少读者问我：“二哥，如何才能写出一份专业的技术简历呢？我总感觉自己写的简历太烂了，所以投了无数份，都石沉大海了。”说实话，我自己好多年没有写过简历了，但我认识的一个同行，他在阿里，给我说了一些他当年写简历的方法论，我感觉太牛逼了，实在是忍不住，就分享了出来，希望能够帮助到你。 01、简历的本质作为简历的撰写者，你必须要搞清楚一点，简历的本质是什么，它就是为了来销售你的价值主张的。往深...

大学一路走来，学习互联网全靠这几个网站，最终拿下了一把offer: 大佬原来都是这样炼成的

离职半年了，老东家又发 offer，回不回？: 有小伙伴问松哥这个问题，他在上海某公司，在离职了几个月后，前公司的领导联系到他，希望他能够返聘回去，他很纠结要不要回去？俗话说好马不吃回头草，但是这个小伙伴既然感到纠结了，我觉得至少说明了两个问题：1.曾经的公司还不错；2.现在的日子也不是很如意。否则应该就不会纠结了。老实说，松哥之前也有过类似的经历，今天就来和小伙伴们聊聊回头草到底吃不吃。首先一个基本观点，就是离职了也没必要和老东家弄的苦...

为什么你不想学习？只想玩？人是如何一步一步废掉的: 不知道是不是只有我这样子，还是你们也有过类似的经历。上学的时候总有很多光辉历史，学年名列前茅，或者单科目大佬，但是虽然慢慢地长大了，你开始懈怠了，开始废掉了。。。什么？你说不知道具体的情况是怎么样的？我来告诉你：你常常潜意识里或者心理觉得，自己真正的生活或者奋斗还没有开始。总是幻想着自己还拥有大把时间，还有无限的可能，自己还能逆风翻盘，只不是自己还没开始罢了，自己以后肯定会变得特别厉害...

什么时候跳槽，为什么离职，你想好了么？: 都是出来打工的，多为自己着想

为什么程序员做外包会被瞧不起？: 二哥，有个事想询问下您的意见，您觉得应届生值得去外包吗？公司虽然挺大的，中xx，但待遇感觉挺低，马上要报到，挺纠结的。

当HR压你价，说你只值7K，你该怎么回答？: 当HR压你价，说你只值7K时，你可以流畅地回答，记住，是流畅，不能犹豫。礼貌地说：“7K是吗？了解了。嗯~其实我对贵司的面试官印象很好。只不过，现在我的手头上已经有一份11K的offer。来面试，主要也是自己对贵司挺有兴趣的，所以过来看看……”（未完）这段话主要是陪HR互诈的同时，从公司兴趣，公司职员印象上，都给予对方正面的肯定，既能提升HR的好感度，又能让谈判气氛融洽，为后面的发挥留足空间。...

面试阿里p7，被按在地上摩擦，鬼知道我经历了什么？: 面试阿里p7被问到的问题(当时我只知道第一个)：@Conditional是做什么的?@Conditional多个条件是什么逻辑关系？条件判断在什么时候执...

你期望月薪4万，出门右拐，不送，这几个点，你也就是个初级的水平: 先来看几个问题通过注解的方式注入依赖对象，介绍一下你知道的几种方式@Autowired和@Resource有何区别说一下@Autowired查找候选者的...

面试了一个 31 岁程序员，让我有所触动，30岁以上的程序员该何去何从？: 最近面试了一个31岁8年经验的程序猿，让我有点感慨，大龄程序猿该何去何从。

大三实习生，字节跳动面经分享，已拿Offer: 说实话，自己的算法，我一个不会，太难了吧

程序员垃圾简历长什么样？: 已经连续五年参加大厂校招、社招的技术面试工作，简历看的不下于万份这篇文章会用实例告诉你，什么是差的程序员简历！疫情快要结束了，各个公司也都开始春招了，作为即将红遍大江南北的新晋UP主，那当然要为小伙伴们做点事（手动狗头）。就在公众号里公开征简历，义务帮大家看，并一一点评。《启舰：春招在即，义务帮大家看看简历吧》一石激起千层浪，三天收到两百多封简历。花光了两个星期的所有空闲时...

我要提问

lmw0320

浩劫重生