网络基础面试题（网络面试题及答案）
本篇文章给大家谈谈网络基础面试题，以及网络面试题及答案对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
你对网络工程师这个岗位,你有什么认识 面试题
一、网络工程师的职业优势1、最具增值潜力的职业，掌握企业核心网络架构、安全技术，具有不可替代的竞争优势2、新型网络人才缺口大，27%的行业增长速度导致网络人才年缺口达30万，高薪高***成为必然3、可实现专业零基础入行，4-10个月的强化训练和职业化引导，就可成为企业急需的技能型网络人才4、就业面广，一专多能，实践经验适用于各个领域5、增 值潜力大，职业价值随着自身经验的丰富以及项目运作的成熟，升值空间一路看涨6、职业发展前景广阔，网络工程师到项目经理仅一步之遥，从容晋升Manager二、网络工程师解读何谓网络工程师，网络工程师是通过学习和训练，掌握网络技术的理论知识和操作技能的网络技术人员。网络工程师能够从事计算机信息系统的设计、建设、运行和维护工作。具体来说，我们可以从企业信息化的岗位体系中作一些了解。企业（或***）信息化过程中需要以下四种人：1、企业信息化主管：负责信息化建设中的目标与方案决策，信息化建设中的方向研究；2、工程技术人员：负责信息化系统的设计、建设，包括设备、系统、数据库、应用系统的建设；3、运行维护人员：负责信息化系统的运行、维护、管理以及基本的开发；4、操作应用人员：主要应用信息化系统进行本职工作。一般来说，IT企业的IT技术职位根据职能可以分为管理岗位：企业信息主管CIO、总监、IT经理、项目经理等；工程技术岗位：规划设计师、网络工程师、系统工程师、软件工程师和数据库工程师等；运行维护岗位：数据库管理员、系统管理员、网络管理员、服务器管理员等；操作岗位：办公文员、CAD设计员、网页制作员、多媒体制作员等。根据企业规模大小，规模较小的企业，一个岗位可能涵盖几个岗位的内容，系统管理员既要负责系统管理，又要承担网络管理；大企业则会分的比较专业，有网络设计师、系统集成工程师、网络安装工程师、综合布线工程师和系统测试工程师等。网络工程师职业规划过程主要有以下几步：两年以上的小型企业→四年左右的中型企业→大型企业或跨国集团公司第一步，小企业的网络管理员（系统管理员）；第二步，进入大中型企业，同样的网络管理工作，工资就可能完全不同了，一般都在3000元以上。做了部门经理时，还可以高达5000元或以上；第三步，学习更全面的知识成为普通的网络工程师工资就高达3500元以上；第四步，学习更全面的知识成为专业的网络工程师，如网络存储工程师、网络安全工程师的工资就可以达8000元以上，做大型企业或专业网络公司IT经理的工资就更高了，基本在万元以上。下面从三个方面来详细说明网络工程师职业发展：（一）、管理员■职称：初级工作在中小企业，涵盖网络基础设施管理、网络操作系统管理、网络应用系统管理、网络用户管理、网络安全保密管理、信息存储备份管理和网络机房管理等几大方向。这些管理涉及到多个领域，每个领域的管理又有各自特定的任务。■主要岗位：网络管理员（系统管理员）■工作职责描述：1、网络本身的管理；2、网络中操作/应用系统的管理(在大型企业、外资、合资企业中通常称之为“MIS（Manger Information System，信息系统管理员）。两者的区别主要是：网络管理员重在OSI下3层，系统管理员则主要在系统维护和公司信息系统管理上。■就业前景：是一个专业网络人员必经的初始阶段■待遇：1800元——3000元（视专业的掌握程度以及技术的熟练度而定）（二）、工程师■职称：中级工作在网络公司或者大中型企业。在网络公司中主要任务是设计并建设；在大中型企业中的主要任务是运营和维护。网络工程师其实是一个包括许多种工种的职业，不同的网络工程师工种对从业的人员的要求也不一样，对从业人员的网络管理水平的要求差别很大。专业网络工程师主要有：网络系统设计师、网络工程师、系统工程师、网络安全工程师、数据存储工程师等。1、普通网络工程师■工作职责描述：（1）、高级网络管理员，在大企业中或是在网络公司工作（2）、维护公司网络设备，保证公司骨干网络正常工作（3）、对主流的网络设备非常了解■职位要求：·扎实而又全面的网络知识功底·多年专业网络管理经验·对产品性能和最新技术掌握很好■就业前景：国内网络公司的技术人员或专业的IDC中心、大的ISP服务商2、普通系统工程师■工作职责描述：（1）、高级网络管理员（2）、在大企业中或是在网络公司工作（3）、维护并保证系统工作正常（4）、对流行的OS非常了解（5）、对系统故障的解决有丰富的经验■职位要求：·扎实而又全面的网络知识功底·多年专业网络管理经验·对新OS系统和最新技术掌握很好■就业前景：·国内网络公司的技术人员·大公司的技术人员·外包公司3、网络系统设计师■工作职责描述：（1）、公司需要建设网络，主要根据要求进行设计，客户能满意（2）、设计项目达到全面、高的实用性和可用性（3）、网络系统设计师是一个综合性的工种（4）、网络和系统方面都有很好的经验■职位要求：·扎实而又全面的网络知识功底·多年专业网络管理、设计经验·对网络核心技术掌握很好■就业前景：国内真正的设计师凤毛麟角 工资过万4、网络存储工程师■工作职责描述：（1）、主要工作在一些大的数据需要量大的公司如银行、电视台、IDC中心（2）、有效管理公司海量数据，有存储设备测试、评估环境、系统咨询、实施指导、测试、培训、相关解决方案（3）、灾难恢复■职位要求：·有多年的网络管理经验·熟悉一些常用数据库软件·有网络存储理论知识，包括存储基础、技术及网络存储高级技术·熟悉主流存储、备份厂商的产品线；如IBM/HP/SUN·熟练掌握veritas、legato、t***、dp等备份软件工具使用·具有良好的撰写需求分析、解决方案、PPT、系统软硬件配置等方案的能力■就业前景：国内每年所需的网络存储人才在60万以上，而目前国内每年最多仅能提供1万左右，缺口极大。随着网络经济的日益普及，此类人才在未来几年中的需求将持续攀升，专业的硬件服务器和网络存储人才的工资标准可能还要远高于软、硬件开发人员。5、网络安全工程师■工作职责描述：（1）、主要保护网络安全（2）、保护网站、邮件等服务器安全（3）、合理布置网络结构和网络产品（4）、对企业能进行安全评估和防护■工作要求：·有多年的网络管理经验·熟悉多种网络安全技术，对各种主流的安全产品（如防火墙、防病毒、入侵检测等）有较好的理论基础和实践经验，了解各种安全产品（例如FireWall、***、防病毒产品、IPS等）的特点、使用方法及常用的调试技巧；·精通Windows、Linux等系统环境，能进行维护管理和故障分析■就业前景：当前最急缺的人才，工资增长幅度大（三）、专家■职称：高级工作在大的网络公司、或研究所主要是技术主管、项目经理、技术专家1、技术专家■工作描述：（1）、某一行业的专家、顾问、权威；（2）、如果的确非常喜爱技术工作，而不擅长和喜欢与人沟通，则可以完全专注于自身的领域，以发展成为行业资深专家为方向和目标（3）、发展过程比较漫长，任何一个领域的顶尖技术人才都需要长期的行业经验的累积和个人孜孜不倦的投入；（4）、优势是越老越吃香，当别人随着年龄的逐步增长而开始担心饭碗问题时，你则渐入佳境，开始进入职业发展的黄金时期。■工作要求：·全面的网络技术·对新技术有深刻的认识，所以要求有极强的学习能力■就业前景：待遇很高，技术人员到30岁后的发展目标之一2、项目经理■工作内容：（1）、融合技术和管理的复合性人才 （2）、参与项目谈判（3）、项目目标和项目财务指标（4）、划分工作内容并合理分配（5）、指导网络工程师（6）、控制工作的进度，按***完成项目（7）、组织项目会议■职位要求：·多年的网络工程师经验·希望做管理·需要自己学习项目管理知识■就业前景：技术人员到35岁后的发展目标之一待遇高，可晋升企业核心管理层3、技术主管■工作任务描述：（1）、带领技术团队创造更多的价值（2）、在信息方面参与公司的规划和***■职位要求：技术全面；有管理能力■就业前景：是网络工程师30岁后的发展方向
求面试题(网络部分)答案，高分，急
分类: 电脑/网络
问题描述:
这里有一批关于网络的题目，谁知道答案？
分给答的最多的人，不论先后。我自己也在网上搜索，12点以前要，快快快
What ports does FTP traffic tr***el over?
What ports does mail traffic utilize?
What ports do *** and ***S use?
Why is NTP required in an NFS neork?
Name some mon mal sofare on the server side
What is CPAN? How do you access it?
What is PEAR?
What advantages does mod_perl h***e over a perl CGI?
What is required to do SSL in Apache 1.x?
What is Tcl?
What is a servlet engine/container?
What is BIND?
Name the steps to setup a sl***e zone in BIND
Name the steps to setup a primary zone in BIND
What mands would you use under Solaris or Linux to modify/view an LDAP tree?
User are plaining of delays when using the neork. What would you do?
What are some of the problems associated with operating a switched LAN?
Name some of the ways of bining TCP/IP traffic and SNA traffic over the same link.
What sort of cabling is suitable for Fast Ether protocols?
What is a Class D IP address?
Why do I sometimes lose a server’s address when using more than one server?
What is Firewall?
How do I monitor the activity of sockets?
How would I put my socket in non-blocking mode?
What are RAW sockets?
What is the role of TCP protocol and IP protocol.
What is UDP?
How can I make my server a daemon?
How should I choose a port number for my server?
Layers in TCP/IP
How can I be sure that a UDP message is received?
How to get IP header of a UDP message
Writing UDP/SOCK_DGRAM ***lications
How many bytes in an IPX neork address?
What is the difference beeen MUTEX and Semaphore?
What is priority inversion?
Different Solutions to dining philosophers problem.
What is a message queue?
Questions on Shared Memory.
What is DHCP?
Working of ping, tel, gopher.
Can I connect o puters to inter using same line ?
解析:
What ports does FTP traffic tr***el over?
21
What ports does mail traffic utilize?
*** tp 25,pop3 110.
What ports do *** and ***S use?
80
What is CPAN? How do you access it?
Comprehensive Perl Archive Neork (CPAN)是专门为扩充perl模块而设立的。在这个大数据仓库中，成百条有用***供我们***。由于CPAN为Perl提供了搜索工具，所以上面提到的那些***，除了作为整体驱动外，还非常易于被我们搜索和使用。下面你将了解到一些有关这些工具及其在Perl文本中怎样应用CPAN模块的一些知识。
在UNIX和Windows下运行CPAN.Pm
Perl 二进制分布用CPAN打包。并且把所打的包连接到离CPAN最近的目录中，以便下载，编译，安装CPAN模块。在UNIX或Windows命令提示符下，输入下面的文字：
perl –MCPAN –e shell
这样你将进入CPAN交互模式，在这种模式下，你可以通过发出请求来自动安装和更新数据模块。通过在提示符cpanprompt 后面输入h,你便可以得到一列常用的命令清单。如果这是你第一次用CPAN.pm，可能会出现这样的提示：使用配置向导和自动检测。当然了，两种选择其一，其结果都可以使之正常工作。
What is PEAR?
一、什么是PEAR？为什么需要它？
为了创建一个类似于Perl CPAN档案的工具，Stig S. Bakken创立了PEAR项目。PEAR的基本目标是发展成为PHP扩展和库代码的知识库，而这个项目最有雄心的目标则是试图定义一种标准，这种标准将帮助开发者编写可移植、可重用的代码。
Inter上已经有关于该项目的一些文档。例如，一些初始的资料已经可以在PHP正式手册中找到，更多的资料即将加入。
在很大程度上，PEAR还是一项正在进行之中的工作。在未来的几个月内，PEAR安装程序和PEAR网站将有很大的发展。为了在下一个PHP版本中使用PEAR管理数量日益增长的C扩展，以及用PEAR安装程序作为用户把扩展下载和安装到PHP的前端工具，在PHP Core Developer邮件列表上已经有了大量的讨论。
另外，我们还必须关注PEAR的PHP库代码。PEAR的PHP库代码常常被认为是当前设计最好、最整洁的库。PEAR::DB是其中最受欢迎的一个包，这个包是PEAR项目创建的一个数据库抽象库。Bakken正在努力，要把它主要的类和函数移植到C扩展上，使得这个包具有最好的性能。
毫无疑问，这个新的项目必将成为未来PHP最重要的组成部分之一，它使得开发者能够方便地通过PEAR网站共享代码，使得用户能够方便地下载和安装扩展、PHP代码库。
What is Tcl?
Tcl是一种很通用的脚本语言，它几乎在所有的平台上都可以解释运行，功能强大。是tool mand language的缩写，发音为 "tickle”， 实际上包含了两个部分：一个语言和一个库。
首先，Tcl是一种简单的脚本语言，主要使用于发布命令给一 些互交程序如文本编辑器、调试器和shell。它有一个简单的语法 和很强可扩充性，Tcl可以创建新的过程以增强其内建命令的能力。
其次，Tcl是一个库包，可以被嵌入应用程序，Tcl的库包含了一个分析器、用于执行内建命令的例程和可以使你扩充（定义新的 过程）的库函数。应用程序可以产生Tcl命令并执行，命令可以由用户产生，也可以从用户接口的一个输入中读取（按钮或菜单等）。 但Tcl库收到命令后将它分解并执行内建的命令，经常会产生递归的调用。
What is BIND?
Berkeley Internert Name Domain(BIND)是我们所熟知的域名软件，它具有广泛的使用基础，Inter上的绝大多数DNS服务器都是基于这个软件的。BIND目前由ISC(Inter Sofare Consortium)负责维护，具体的开发由Nominum(nominum)公司来完成。
What is a Class D IP address?
把IP地址的4个字节划分为2个部分，一部分用来标明具体的网络段，即网络ID；另一部分用来标明具体的节点，即宿主机ID。这样的32位地址又分为五类分别对应于A类、B类、C类、D类和E类IP地址。
4．D类地址用于多点播送。
第一个字节以“lll0”开始，第一个字节的数字范围为224～239，是多点播送地址，用于多目的地信息的传输，和作为备用。全零（“0．0．0．0”）地址对应于当前主机，全“1”的IP地址（“255．255．255．255”）是当前子网的广播地址。
What is Firewall?
什么是防火墙？
防火墙是位于***服务器上的一组相关程序，它们保护私人网络的***不被用户或其它网络访问。（这个词也指程序使用的安全策略）。拥有内部互联网的企业安装了防火墙就可以在允许其员工访问广域网的时阻止外部用户访问公司的私密数据，还可以控制它自己的用户能对什么样的外部数据进行访问。
What is UDP?
UDP协议是英文UserDatagramProtocol的缩写，即用户数据报协议，主要用来支持那些需要在计算机之间传输数据的网络应用。包括网络***会议系统在内的众多的客户/服务器模式的网络应用都需要使用UDP协议
What is DHCP?
DHCP为动态主机配址协定(Dynamic Host Configuration Protocol)，可以动态的分配IP位址给TCP/IP用户端。GN-BR401 Broad Router(路由器)即是DHCP伺服器。Win95与Win2000作业系统使用者透过DHCP要求内部IP位址，TCP/IP用户端可自订IP，或是利用DHCP要求一个IP位址。
你遇到的前端面试题都有什么？
大家好，我是王我。
随着春节的结束，各个行业也普遍开始了上班的节奏， 不过本人17号才上班。为什么？因为长得帅的都上班比较晚。 当然，每到新年结束，又迎来了一批招聘者与面试者，我来说说作为一年工作经验应该知道的面试题。
HTML篇
1.doctype是什么？有哪些类型？
2.input有哪些新类型？简要说明其8用法。
3.HTML5有哪些新特性，移除了哪些元素？如何处理HTML5新标签的浏览器兼容问题？如何区分HTML和HTML5？
4.bootstrap响应式的原理是什么？
5.多移动终端页面适配是如何实现的？
CSS篇
1.如何实现两列布局，左边自适应，右边固定宽度？
2.用CSS画一个三角形
3.CSS实现字体大写
4.display有哪些常用的属性值？分别是什么意思？
5.position为absolute，relative，fixed的定点位置
6.用三种方法清除浮动
7.请介绍一下margin塌陷问题
js篇
1.什么是***冒泡和捕获？如何阻止***冒泡？(分别用原生和jquery实现)
2.js创建对象，至少使用三种方法
3.简述一下***穿透以及解决办法
4.用三种方式判断变量类型是否是数组
5.如何实现对象的拷贝？
6.什么是闭包？闭包的优缺点。
7.简述一下ajax请求的过程。
8.简述一下new一个人构造函数的人过程。
9.为什么会有跨域？是怎么解决跨域问题的？简述一下原理。
10.js原始数据类型有哪些？
11.学一个函数，判断一个变量是否是字符串
12.typeof有哪些结果？
13.剪头函数和普通函数有什么区别？
14.请用三种方法实现数组去重
15.href和src有什么区别？
jquery篇
1.attr()和prop()有什么区别？
2.on和bind有什么区别？js动态添加的dom元素是通过on还是bind？
3.touch和click有什么区别？
4.window.onload和jquery的ready有什么区别？
vue篇
1.简述一下vue的生命周期及其特点
2.vue双向绑定的原理是什么？
3.vue的特点有哪些？和jquery有什么区别？
4.父子组件之间传递数据的方法
5.子组件如何共享数据？
6.一般有什么工具进行数据交互？
7.webpack的原理是什么？
8.简述一下$nextTick的用法
浏览器篇
1.cookie、sessionStorage、localStorage的区别是什么？
2.有用过浏览器缓存吗？简述一下基本的缓存机制
网络篇
1.***和***s之间的区别
2.从服务器的安全考虑，是使用get请求还是post请求？
3.URL请求的过程有哪些？
项目经验篇
1.项目中遇到的最大挑战以及解决办法
2.常见的网页优化有哪些？
作为一个面试一年以内工作经验的前端程序员来说，以上的问题能够倒答如流月薪6k应该不成问题啦。这些面试题也是我在很多面试中感觉经常被问到的题目。
希望大家年后找工作能够顺顺利利， 千万不要跟我一样哦，只有帅气就一无所有了。
大家好，我是王我，中国最帅的前端程序员。
前几次都是各种培训公司，各种忽悠就不提了，说说后面4次面试的经历。
第一次是面一个小公司，不过他们好像没有厉害的前端，来面我的是个后端，一来没有问我关于js的知识，直接问我以前做过什么，有没有经验，我本人不会吹牛，简历也没怎么包装，就是自己把自学的知识和做的几个小demo弄在上面，也用github挂在页面上了，不过他根本不点开看，也不问，问我会不会vue，我当时对框架还不了解，他就说他们需要能直接上手开始写的，所以我第一个就直接挂了。
第二次面试是一个国企，这个问了很多问题，都很基础，js数据类型，数组操作，***，大概就是高程的前面几章看看就差不多都能答到，然后因为他们主要用jq，所以问了很多jq的操作，关于节点的，动画的，我看锋利的jq大概看了3遍，也练过多次，所以我答的很熟。然后问了些布局方面的，bootstrap我了解过，又看过css3，所以这方面也没啥问题，最后在现场做了个题目，主要就是布局然后通过ajax呈现数据。后面听介绍我面试的说面试官比较满意，说我jq很熟，一面就过了。可惜后面电话面试不知怎么回事可能表现的不够自信，虽然没问技术，但是我没啥自信，把没项目经验什么的也不知怎么就一五一十交代了，估计因为这个挂掉了。
第三次没问问题，直接就是一套题开做，我在那做了一个多小时。题目就是按照要求一步一步做一个页面出来，我也搞忘了我当时卡在哪个地方了，坐在那得时候就是做不出来，没有设计图，要根据他的描述自己找个设计图然后做，我第一次遇到这个有点懵，虽然当时没做出来，不过回来我自己花了几个小时把它做了。所以这个也是凉了。
第四个问的比较多，数据类型，数组操作，跨域，ajax，闭包，原型链，继承，深拷贝，浅拷贝，模块amd cmd，基本都是问的js。然后问了html5的新特性 css3 的新特性，遇到过什么浏览器的兼容性问题，怎么解决的，以后想往什么方面发展。这个时候我已经会点vue了，照着做了个小demo，不过后来知道公司用的angularjs，面试官也没看我做的，问也没问。。以前听网上说要带上自己的项目去面试感觉没起多大效果。
最后总结下如果面的比较初级的岗位，应该主要问js，原型链，继承，闭包，深浅拷贝，ajax，跨域，然后js的基础知识，对了还有***ly和call也问了，html5的新特性了解下就行。主要就是看你js掌握的程度，如果稍微要求高一点的，暂时还没面过，等以后面过在来回答
1. cookie session 的用途和区别，以及有效期
1、cookie数据存放在客户的浏览器上，session数据放在服务器上。
2、cookie不是很安全，别人可以分析存放在本地的COOKIE并进行COOKIE欺骗
考虑到安全应当使用session。
3、session会在一定时间内保存在服务器上。当访问增多，会比较占用你服务器的性能
考虑到减轻服务器性能方面，应当使用COOKIE。
4、单个cookie保存的数据不能超过4K，很多浏览器都限制一个站点最多保存20个cookie。
2. vue的数据绑定原理，mvvm与mvc的区别
MVVM：
m:model数据模型层 v:view视图层 vm:ViewModel
vue中***用的是mvvm模式，这是从mvc衍生过来的
MVVM让视图与viewmodel直接的关系特别的紧密，就是为了解决mvc反馈不及时的问题
图片说明一下：
说到MVVM就要说一下双向绑定和数据劫持的原理，
MVC：
m:model数据模型层 v:view视图层 c:controller控制器
原理： c层需要控制model层的数据在view层进行显示
MVC两种方式，图片说明：
总结：
mvvm与mvc最大的区别：
MVVM实现了view与model的自动同步，也就是model属性改变的时候， 我们不需要再自己手动操作dom元素去改变view的显示，而是改变属性后该属性对应的view层会自动改变。
不懂得可以***链接查看：
3. storage 的区别 sessionStorage localStorage
localStorage 的生命周期是永久性的。***若使用localStorage存储数据，即使关闭浏览器，也不会让数据消失，除非主动的去删除数据，使用的方法如上所示。localStorage有length属性
sessionStorage 的生命周期是在浏览器关闭前。也就是说，在整个浏览器未关闭前，其数据一直都是存在的。sessionStorage也有length属性，其基本的判断和使用方法和localStorage的使用是一致的
4.v-model双向数据原理
有一个文本框 通过v-bind绑定了value属性 值为myname 是我们在vue实例中定义的属性
传统我们获取文本框值方法 可能通过getElementById找到文本框 然后获取其value属性
但是vue中直接通过v-bind绑定了value属性 所以不需要像之前那样获取值
所以在后面的按钮中获取name值 直接获取vue实例对象data里面的myname属性即可
【数据为尊 ----数据映射到浏览器 如果数据v-model后修改（肯定input）然后到数据在有数据映射到浏览器页面 ----映射关系统称】
5.keepAlive用过吗？什么作用？
缓存路由组件
使用的是vue的一个组件，参考vue的官方文档
使用这个东西可以保证我们在切换组件的时候，原来显示的组件不被销毁
-----【保障组件的数据不会被切换路由而销毁数据】
Home是对应的组件对象的名字，不是路由的名字
6.多维数组拍平
数组拍平也称数组扁平化，就是将数组里面的数组打开，最后合并为一个数组
一红六种方法吧……
了解的请看：
7.跨域的原因 解决方案
跨域是指一个域下的文档或脚本试图去请求另一个域下的***，这里跨域是广义的。
这样就可以说同源策略----协议---端口---域名
原生的src和href可以解决跨域
代理可以解决
请求头也可以携带浏览器提示的也可以解决
一般都是后端解决跨域问题
【别的需要了解看下方链接】
8.uni***兼容问题
§ 如果你使用cli创建项目（即项目根目录是package.json），不管用什么ide，即便是用HBuilderX，切记cli项目的编译器是在项目下的，HBuilderX不管怎么升级都不会影响编译器版本。你需要手动npm update来升级编译器。以及如果你想要安装less、scss等预编译器，也需要自己npm安装在项目下，而不是在HBuilderX的插件管理里安装。
§ 如果你使用离线打包，请注意HBuilderX升级后，真机运行基座和云打包对应引擎跟随HBuilderX升级，而你的sdk需要手动升级。sdk的版本升级一般滞后HBuilderX正式版升级一两天。
§ 如果你使用自定义基座，之前制作的自定义基座是不会跟随HBuilderX升级的，升级HBuilderX后你应该重新制作新版自定义基座。
§ 如果你使用wgt升级，新版HBuilderX编译的wgt，运行到之前的runtime上，一定要先测试好，看有没有兼容性问题。如果有问题，就不要wgt升级，整包升级。
§ 考虑到向下兼容，uni-***编译器在升级为新的自定义组件模式后，同时保留了对老编译模式的向下兼容。
在HBuilderX alpha版中，***端一定会使用新编译器，不理会manifest配置。
在HBuilderX 正式版中，新创建的项目会使用新编译器，老项目不会强制使用，而是开发者自己在manifest里配置开启。
§ 如果你使用其他ide开发uni-***，会经常因为拼错单词而运行失败，因为经过webpack编译一道，很多错误反应的不够直观，排错时间很长，不如从开始就依赖有良好提示的HBuilderX，避免敲错单词。
§ 云打包的引擎版本说明
HBuilderX Alpha，只有1套云打包机，不管你的HBuilderX alpha版本多少，对应的打包机一定是最新的alpha版的客户端引擎。
HBuilderX正式版，有2套打包机，一个是最新正式版，一个是次新正式版。
中间的紧急更新版本没有独立打包机。
举个例子：
HBuilderX 有1.8.0、1.8.1、1.8.2、1.9.0、1.9.1这几个正式版。
那么当前可用的打包机有1.9.1和1.8.2这2台。（即每个大版本的最后一个版本）
除了这2个HBuilderX版本外，其他版本的云打包都指向最新的1.9.1版对应的打包机。（即只保留2个大版本的云打包机）
【详情请看】
一、HTML
HTML书写规范
H5新增标签
HTML渲染过程
二、CSS
css盒子模型概念
css弹性布局概念
三、J***aScript
***模型
DOM2级***模型
闭包
原型链
四、移动Web开发
常见的布局方案
移动端前端常见的触摸相关***touch、tap、swipe等整理
移动端前端手势***
移动端页面渲染优化
GPU渲染
GPU核心渲染过程
五、调试
常用的调试工具
Chrome控制台调试js使用
移动端测试
六、***网络知识
常见的***状态码
不同请求类型的区别
WEB缓存方案
——————————
牛客网（）
- 专业IT笔试面试备考平台
- 最全C++J***A前端等互联网技术求职题库
- 全面提升IT编程能力
- 程序员交友圣地
分享了一些Web前端的面试题，限时一小时，你看看自己能够答出多少道！
放心，这些面试题都是一些非常基础的知识，只要你在平时认真听课、学习了，那么这些面试题肯定不会难道你。
建议：虽然没有人监督你，但还是希望你不要去寻找答案，脱离百度，拿起纸笔，你试一下自己究竟能够答出个什么水平！有没有真本领？答案尽在这些面试题里！那么，你准备好了吗？OK！计时开始！
一、HTML常见题目
01、Doctype作用？严格模式与混杂模式如何区分？它们有何意义？
02、HTML5为什么只需要写？
03、行内元素有哪些？块级元素有哪些？空(void)元素有那些？
04、页面导入样式时，使用link和@import有什么区别？
05、介绍一下你对浏览器内核的理解？
06、常见的浏览器内核有哪些？
07、html5有哪些新特性、移除了那些元素？如何处理HTML5新标签的浏览器兼容问题？
08、如何区分HTML和HTML5？
09、简述一下你对HTML语义化的理解？
10、HTML5的离线储存怎么使用，工作原理能不能解释一下？
二、CSS类的题目
01、介绍一下标准的CSS的盒子模型？与低版本IE的盒子模型有什么不同的？
02、CSS选择符有哪些？哪些属性可以继承？
03、CSS优先级算法如何计算？
04、CSS3新增伪类有那些？
05、如何居中p？如何居中一个浮动元素？如何让绝对定位的p居中？
06、display有哪些值？说明他们的作用。
07、position的值relative和absolute定位原点是？
08、CSS3有哪些新特性？
09、请解释一下CSS3的Flexbox(弹性盒布局模型),以及适用场景？
10、用纯CSS创建一个三角形的原理是什么？
三、J***a类的题目
01、介绍J***a的基本数据类型。
02、说说写J***a的基本规范？
03、J***a原型，原型链？有什么特点？
04、J***a有几种类型的值？(堆：原始数据类型和栈：引用数据类型)，你能画一下他们的内存图吗？
05、J***a如何实现继承？
06、J***a创建对象的几种方式？
07、J***a作用链域？
08、谈谈This对象的理解。
09、eval是做什么的？
10、什么是window对象？什么是document对象？
OK，一小时到了，这个时间可不算短了，那么这些面试题你答出了几道呢？你写的答案正确了吗？现在你可以去翻看答案了。
如果你答出了绝大多数的或者是全部的题，并且答案也正确了，那么恭喜你……
你这时心里是不是有点小窃喜，认为自己有能力拿高薪了？虽然我也很想这么告诉你，但事实上这只能表明你的基础扎实，毕竟这只是一些非常基础的面试题。骚年~继续努力吧！
如果你只答出了小部分或者答出了大部分题但答案不正确，那么我只想说：“骚年，你的水平还差的远呢。”连这么基础的题你都打不出来，还想拿高薪？回去再练一段时间吧！
扎实的基础是你拿高薪的重要武器，如果你连基础都不扎实，那么想要攻克“高薪”这个厚实的堡垒，那只是痴人说梦罢了。
1.前端框架类问题，问你会不会用vue react啊
2.语言类，问你一些J***aScript语言的问题
3.项目经验，让你讲讲做过的项目，遇到的问题和解决之道
AI面试题第二弹(神经网络基础)
提取主要特征，减小网络参数量，减小计算量
层层传递的梯度1 梯度爆炸
层层传递的梯度1 梯度消失
与权重有很大关系，激活函数的影响较小。
每次训练一层隐节点，训练时将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入，此过程就是逐层“预训练”（pre-training）；在预训练完成后，再对整个网络进行“微调”（fine-tunning）。Hinton在训练深度信念网络（Deep Belief Networks中，使用了这个方法，在各层预训练完成后，再利用BP算法对整个网络进行训练。
这个方案主要是针对梯度爆炸提出的，其思想是设置一个梯度剪切阈值，然后更新梯度的时候，如果梯度超过这个阈值，那么就将其强制限制在这个范围之内。这可以防止梯度爆炸。
比较常见的是l1l1l1正则，和l2l2l2正则，在各个深度框架中都有相应的API可以使用正则化
反向传播中，经过每一层的梯度会乘以该层的权重。
举个简单例子：
为了得到一致***设而使***设变得过度复杂称为过拟合(overfitting)， 过拟合表现在训练好的模型在训练集上效果很好，但是在测试集上效果差 。也就是说模型的泛化能力弱。
过拟合主要由两个原因造成，数据集太小或模型太复杂
（1）. 数据集扩增（Data Augmentation）
（2）. 改进模型
·Early Stopping。在模型效果比较好的时候便提前停止训练
·正则化（regularization）
L1：稀疏参数
L2：更小参数
·Dropout
·多任务学习
深度学习中两种多任务学习模式：隐层参数的硬共享和软共享
硬共享机制是指在所有任务***享隐藏层，同时保留几个特定任务的输出层来实现。硬共享机制降低了过拟合的风险。多个任务同时学习，模型就越能捕捉到多个任务的同一表示，从而导致模型在原始任务上的过拟合风险越小。
软共享机制是指每个任务有自己的模型，自己的参数。模型参数之间的距离是正则化的，以便保障参数相似性。
见后文
leaky relu
输入是x输出是y，正常的流程是：我们首先把x通过网络前向传播，然后把误差反向传播以决定如何更新参数让网络进行学习。使用Dropout之后，过程变成如下：
（1）首先随机（临时）删掉网络中一半的隐藏神经元，输入输出神经元保持不变（图中虚线为部分临时被删除的神经元）
（2） 然后把输入x通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数（w，b）。
（3）然后继续重复这一过程：
恢复被删掉的神经元（此时被删除的神经元保持原样，而没有被删除的神经元已经有所更新）
从隐藏层神经元中随机选择一个一半大小的子集临时删除掉（备份被删除神经元的参数）。
对一小批训练样本，先前向传播然后反向传播损失并根据随机梯度下降法更新参数（w，b） （没有被删除的那一部分参数得到更新，删除的神经元参数保持被删除前的结果）。
不断重复这一过程。
没有对数据进行归一化
忘记检查输入和输出
没有对数据进行预处理
没有对数据正则化
使用过大的样本
使用不正确的学习率
在输出层使用错误的激活函数
网络中包含坏梯度
初始化权重错误
过深的网络
隐藏单元数量错误
网络设计不合理(任务-网络不匹配)
机器学习有个很重要的***设：就是***设训练数据和测试数据是满足独立同分布的，这保障了通过训练数据获得的优秀模型也能够在测试集获得好的效果。但是在机器学习训练中输入层的每个批量(X,Y)中X的分布是不一致的，并且神经网络的隐藏层的输入分布在每次训练迭代中发生变化。 BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。
BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前(激活前)的 输入值 （就是那个x=WU+B，U是输入） 随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近 （对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），所以这 导致反向传播时低层神经网络的梯度消失 ，这是训练深层神经网络收敛越来越慢的 本质原因 ， 而BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布 ，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化，意思是 这样让梯度变大，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。
但是接下来的问题是：如果都通过BN，那么不就跟把非线性函数替换成线性函数效果相同了，意味着网络的非线性表达能力下降了， 所以BN为了保证非线性的获得，对变换后的满足均值为0方差为1的x又进行了scale加上shift操作(y=scale*x+shift)， 每个神经元增加了两个参数scale和shift参数，这两个参数是通过训练学习到的，意思是通过scale和shift把这个值从标准正态分布左移或者右移一点并长胖一点或者变瘦一点，每个实例挪动的程度不一样，这样等价于激活前的值经过标准正太分布归一化后再从正中心周围的线性区往非线性区动了动。核心思想应该是想找到一个线性和非线性的较好平衡点，既能享受非线性的较强表达能力的好处，又避免太靠非线性区两头使得网络收敛速度太慢
Batch Normalization 好处：（1）提高了训练速度，收敛速度也大大加快（2）另外调参过程也简单多了，对于初始化要求没那么高，而且可以使用大的学习率等 (3)可以防止梯度消失（4）BN类似于Dropout的一种防止过拟合的正则化表达方式，可以有效防止过拟合，不用太依赖dropou和正则化
以下情况最好不要使用BN：（1）数据不平衡（2）batch_size太小
batch_size是机器学习中的一个重要参数，决定了梯度下降的方向，如果数据集比较小，完全可以***用全数据集的形式计算梯度，由全数据集确定的梯度方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。对于大型数据集则需要使用mini-batch_size，因为随着数据集的海量增长和内存限制，一次性载入所有的数据进来变得越来越不可行。
当batch_size=1,即在线学习，模型难以达到收敛 。
合理增加batch_size好处 ：
（1）内存利用率提高了，大矩阵乘法的并行化效率提高
（2）跑完一次 epoch（全数据集）所需的迭代次数减少，对于相同数据量的处理速度进一步加快。
（3）在一定范围内，一般来说 Batch_Size 越大，其确定的下降方向越准，引起训练震荡越小
盲目增大 Batch_Size 坏处 ：
（1）内存利用率提高了，但是内存容量可能撑不住了
（2）跑完一次 epoch（全数据集）所需的迭代次数减少，要想达到相同精度所需要的 epoch 数量越来越多，花费的时间越长
（3）大的batchsize收敛到sharp minimum，而小的batchsize收敛到flat minimum，后者具有更好的泛化能力。
总之batchsize在变得很大(超过一个临界点)时，会降低模型的泛化能力。在这个临界点之下，模型的性能变换随batch size通常没有学习率敏感
目标所在的真实框(ground truth) 与算法预测的目标所在的框(bounding box)的交集与并集的比值，我们会用IOU阈值来判定预测的bounding box是否有效。一般阈值会设定在0.5，当IOU的值大于等于0.5时，我们会把这个预测的bounding box 归为正类，而小于0.5的归为负类。
牛顿法使用的是目标函数的二阶导数，在高维情况下这个Hessian（n*n维度）矩阵非常大，计算复杂度是n*n，计算和存储都是问题
（1） 通过控制卷积核个数实现升维或者降维，从而减少模型参数和计算量
（2） 用于不同channel上特征的融合
（3）1x1的卷积相当于全连接层的计算过程，并且加入了非线性激活函数，从而增加了网络的非线性，使得网络可以表达更加复杂的特征。
它能够把输入的连续实值变换为0和1之间的输出，如果是非常大的负数，那么输出就是0；如果是非常大的正数，输出就是1
缺点：
（1）函数的饱和区，导致梯度几乎为0，造成梯度消失问题
（2）Sigmoid 的 output 不是0均值，具体解释见
（3）其解析式中含有幂运算，计算机求解时相对来讲比较耗时。对于规模比较大的深度网络，这会较大地增加训练时间。
它解决了Sigmoid函数的不是零均值输出问题，然而，梯度消失（gradient vanishing）的问题和幂运算的问题仍然存在。
(1)在正区间解决了梯度消失的问题
(2）函数简单，计算速度快，收敛速度远快于sigmoid和tanh
缺点：
（1）Relu函数输出不是0均值
（2）神经元坏死问题：指的是某些神经元可能永远不会被激活，导致相应的参数永远不能被更新，有两个主要原因导致这种状况发生
(1) 非常不幸的参数初始化，这种情况比较少见
(2) learning rate太高导致在训练过程中参数更新太大，不幸使网络进入这种状态。解决方法是可以***用X***ier初始化方法，以及避免将learning rate设置太大或使用adagrad等自动调节learning rate的算法
为了解决ReLU函数带来的神经元坏死问题 ， 提出了将ReLU的前半段设为αx，α通常设为0.01，，另外一种直观的想法是基于参数的方法PReLU函数， α可由方向传播算法学习出来。
ELU也是为解决ReLU存在的问题而提出，显然，ELU有ReLU的基本所有优点，以及：（1）不会有神经元坏死现象（2）函数输出均值接近于0
但是ELU的小问题就是计算量稍微有点大。
1、使用不同的激活函数，比如Relu，Leak-Relu，PRelu，elu等激活函数代替sigmoid函数
2、使用Batch Normalizaion(批量归一化)
3、使用残差网络
4、预训练加微调
1、梯度裁剪
2、权重正则化
两个3x3的卷积核的感受野比5x5的卷积核的感受野大，在保持相同感受野的同时，用3x3的卷积核可以提升网络的深度，可以很明显的减少计算量。
1、局部连接
2、权值共享：减小参数量
3、池化操作：增大感受野
4、多层次结构：可以提取low-level以及high-level的信息
1、数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。
2、数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果。
作用 ：对输入的特征图进行压缩，
一方面使特征图变小，简化网络计算复杂度；
一方面进行特征压缩，提取主要特征。
通常来讲，max-pooling的效果更好，虽然max-pooling和***erage-pooling都对数据做了下***样，但是 max-pooling感觉更像是做了特征选择，选出了分类辨识度更好的特征，提供了非线性 。 pooling的主要作用一方面是去掉冗余信息，一方面要保留feature map的特征信息，在分类问题中，我们需要知道的是这张图像有什么object，而不大关心这个object位置在哪，在这种情况下显然max pooling比***erage pooling更合适。在 网络比较深的地方，特征已经稀疏了，从一块区域里选出最大的，比起这片区域的平均值来，更能把稀疏的特征传递下去 。
***erage-pooling更强调对整体特征信息进行一层下***样，在减少参数维度的贡献上更大一点，更多的体现在 信息的完整传递这个维度 上，在一个很大很有代表性的模型中，比如说DenseNet中的模块之间的连接大多***用***erage-pooling，在减少维度的同时，更有利信息传递到下一个模块进行特征提取。
***erage-pooling在 全局平均池化操作 中应用也比较广，在ResNet和Inception结构中最后一层都使用了平均池化。有的时候在模型接近 分类器的末端使用全局平均池化还可以代替Flatten操作 ，使输入数据变成一位向量。
CNN网络中另外一个不可导的环节就是Pooling池化操作，因为Pooling操作使得feature map的尺寸变化，***如做2×2的池化（步长也为2），***设那么第l+1层的feature map有16个梯度，那么第l层就会有64个梯度，这使得梯度无法对位的进行传播下去。其实解决这个问题的思想也很简单，就是把1个像素的梯度传递给4个像素，但是需要保证传递的loss（或者梯度）总和不变。根据这条原则，mean pooling和max pooling的反向传播也是不同的
mean pooling的前向传播就是把一个patch中的值求取平均来做pooling，那么反向传播的过程也就是把 某个元素的梯度等分为n份分配给前一层，这样就保证池化前后的梯度（残差）之和保持不变 ，图示如下 ：
（2） max pooling
max pooling也要满足梯度之和不变的原则 ，max pooling的前向传播是把patch中最大的值传递给后一层，而其他像素的值直接被舍弃掉。那么 反向传播也就是把梯度直接传给前一层某一个像素，而其他像素不接受梯度，也就是为0。 所以max pooling操作和mean pooling操作不同点在于需要记录下池化操作时到底哪个像素的值是最大，也就是max id，这个变量就是记录最大值所在位置的，因为在反向传播中要用到，那么***设前向传播和反向传播的过程就如下图所示 ：
28、细粒度分类
29、LSTMRNN
30、解释LSTM结构（相对于RNN）的好处
31、RNN的梯度消失原因和解决办法
32、Object Detection
33、Unet的介绍
34、FCN和Unet的区别
35、RCNN系列的算法流程和区别
36、Fast RCNN中 bbox 回归的损失函数什么
37、解释 ROI Pooling 和 ROI Align
38、Mask RCNN中 mask branch 如何接入 Faster RCNN中
39、解释 FPN
40、解释 ROI Align
41、简述 YOLO 和 SSD
42、简述 Hough 直线检测、Sobel 边缘检测算法流程
43、Mask RCNN中的anchors如何判定为正负样本
44、简述 NMS 算法流程
45、attention起源是用在哪里？pixel还是frame，是soft还是hard
46、anchor的正负样本比是多少
47、算法和激活函数等
48、BN的原理和作用
49、BN层反向传播，怎么求导
50、BN 的作用和缺陷，以及针对batch_size小的情况的改进（GN）
51、BN层，先加BN还是激活，有什么区别
52、手推BP
53、优化算法举例和他们的区别（SGD、SGDM、RMSprop、Adam）
54、随机梯度下降和梯度下降
55、训练不收敛的原因有哪些
56、简述 SVM 流程、核函数寻参及常见的核函数举例
57、batch_size 和 learning rate 的关系（怎么平衡和调整二者）
58、解释过拟合和欠拟合，以及解决方法
59、激活函数有哪些，各自区别
60、损失函数有哪些
61、Sigmoid 和 ReLu 对比（各自优缺点）
62、为什么不用sigmoid而用relu？做出了哪些改进？
63、梯度消失和梯度爆炸的原因和解决方法
64、Precision 和 Recall 的定义
65、精确率高、召回率低是为什么
66、SVM，线性回归和逻辑回归的原理及区别
67、PCA原理，PCA和SVD的区别和联系
68、正则化怎么选择，有哪些方式
69、L1、L2范数，区别
70、boost、Adaboost
71、dropout和batch normalization
72、讲一下决策树和随机森林
73、讲一下GBDT的细节，写出GBDT的目标函数。 GBDT和Adaboost的区别与联系
74、偏差、方差
75、距离度量公式哪些，区别
76、多标签识别怎么做
77、data argumentation怎么处理的
78、数据不均衡怎么处理、只有少量带标签怎么处理
79、权重初始化方法都有哪些
80、权值衰减这个参数怎么设置
81、分类问题有哪些评价指标？每种的适用场景。
82、无监督学习了解哪些
83、图像处理Opencv
84、边缘检测算子有哪些
85、霍夫变换
86、直方图是什么
87、canny算子是怎么做的
88、图像的特征提取有哪些算法，适用范围、优缺点
参考：
网络基础面试题的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于网络面试题及答案、网络基础面试题的信息别忘了在本站进行查找喔。
