- 博客(84)
- 收藏
- 关注
RSS订阅原创 penetration notes for personal use
目录网络知识木马制作及绕过wafXSS攻击sqlmap使用说明其他漏洞的利用网络知识物理层：光纤、网线（就是双绞线）或无线电波等（含有UDP及TCP两条路） 功能：传输 0 - 1 点信号数据链路层：交换机（常用于局域网） 功能：管理链路上的数据网络层：路由器（可用于广域网或局域网） 功能：路由与寻址家用模式：光猫（modern）–》交换机（或者路由器）–》通过网线或无线网，连入互联网ISP：网络运营商，管理国家（及城市）的网络设置路由器：包括内网与外网两
2021-12-17 10:57:34
1300
1
原创 爆肝总结：神经网络大杂烩
文章目录purpose：来龙去脉LeNet5AlexnetVGGGoogle InceptionResNetDenseNetpurpose：论文里面经常会有对比实验，经常会用到一些较经典的网络。例如Alexnet网络是从Imagenet大赛中脱颖而出的模型，但是其原始的输入大小与输出大小可能与我们的任务并不相符。这种情况我们怎么使用经典的网络结构来做对比实验呢？看过了一些论文复现的代码，大多数作者是这样处理的：尽量保留经典模型的网络结构。如果任务不同，该改的还是要改。也就是说，他们复现的经典网络结
2021-10-02 16:44:29
404
原创 剑指 Offer 32 - I. 从上到下打印二叉树
文章目录DescriptionAnswer层级遍历（循环）层级遍历（递归）先序遍历（递归）先序遍历（循环）中序遍历（递归）中序遍历（循环）后序遍历（递归）后序遍历（循环）题目链接：https://leetcode-cn.com/problems/cong-shang-dao-xia-da-yin-er-cha-shu-lcof/Description从上到下打印出二叉树的每个节点，同一层的节点按照从左到右的顺序打印。例如:给定二叉树: [3,9,20,null,null,15,7],返回：[
2021-09-26 21:29:27
149
原创 数字水印保护你的神经网络
文章目录1 前言2 数字水印2.1 白盒方法2.2 黑盒方法3 总结1 前言最近了解到数字水印技术在神经网络上的应用。我觉得蛮有意思的，就拿出来讲一讲，主要从大方向上讲解，生人亦可进。可能提到数字水印，大家第一印象是，把带有个人象征的内容嵌入到原创作品中，如下图。但考虑到通过p图技术可以把这种水印去掉，那么就有人这样做。在如下小姐姐的照片中，嵌入“老司机”图片。你敢信，一张小姐姐的图片，通过计算可生成“老司机”字样图片。我有个大胆的想法【手动狗头】。具体实现，可见 https://www.z
2021-09-25 01:29:17
3299
原创 剑指 Offer 11. 旋转数组的最小数字
题目链接：https://leetcode-cn.com/problems/xuan-zhuan-shu-zu-de-zui-xiao-shu-zi-lcof/Description把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个递增排序的数组的一个旋转，输出旋转数组的最小元素。例如，数组 [3,4,5,1,2] 为 [1,2,3,4,5] 的一个旋转，该数组的最小值为1。示例 1：输入：[3,4,5,1,2]输出：1示例 2：输入：[2,2,2,0,1]输出：0
2021-09-18 00:13:37
132
原创 剑指 Offer 04. 二维数组中的查找
题目链接：https://leetcode-cn.com/problems/er-wei-shu-zu-zhong-de-cha-zhao-lcof/目录DescriptionAnswerDescription在一个 n * m 的二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个高效的函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。示例:现有矩阵 matrix 如下：[[1, 4, 7, 11, 15],[2, 5,
2021-09-16 22:04:48
150
原创 剑指 Offer 35. 复杂链表的复制
目录DescriptionAnswer总结题目链接：https://leetcode-cn.com/problems/fu-za-lian-biao-de-fu-zhi-lcof/Description请实现 copyRandomList 函数，复制一个复杂链表。在复杂链表中，每个节点除了有一个 next 指针指向下一个节点，还有一个 random 指针指向链表中的任意节点或者 null。示例 1：输入：head = [[7,null],[13,0],[11,4],[10,2],[1,0]]输
2021-09-15 20:10:26
135
原创 Leecode : 无重复字符的最长子串
目录前言DescriptionAnswer：题目链接: https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/前言之前一直发的都是AI相关的内容，有算法阿，论文之类的。但说实话，这些内容并不能很好的培养自己的算法思维以及编程技巧。借此，开设leecode算法解答专刊，提供各种时间复杂度以及空间复杂度的解答，目标不在多，而在精，针对leecode上的剑指offer的题目进行最全面的总结。一则为以
2021-09-14 17:09:57
133
原创 PCA原理详解
目录标题1 前言2 原理3 总结附录1 前言PCA作为一种降维策略，在数据过于巨大时经常使用。这方面的文章也遍地都是，但我问一个问题，你真的懂了PCA吗？你能自己推导它的原理吗？疑问三连，bro，我并没有在贩卖焦虑。实际上，作为一个AI领域从业者，我们除了被动接收这些知识之外，还得知道为什么。这样一个降维的问题交给你，你会怎么设计算法？以这种主动学习的心态去思考一个问题，学习一个算法，毫无疑问，你会学到更多。这篇文章会以一个解题者的角度，带你如何从零到一，彻底和PCA说baibai。2 原理
2021-08-18 20:50:58
355
原创 域自适应实战&coding
目录1 前言2 原理3 coding3.1 加载数据集3.2 搭建网络3.3 训练及测试3.4 对比3.5 可视化特征分布4 总结附录1 前言好几天前我就想做关于域自适应的文章。可能你觉得我不务正业【手动狗头】，但是别急，这个还真挺有意思。还能加深自己对网络的理解，所以这几天，我一直在肝这方面的内容。好的，什么叫做域自适应？举个例子哈，有些人微信头像喜欢换成动漫的自己，当然了，作为好朋友，你肯定认得出动漫的他。这是因为我们视觉系统比较强大，偷偷做了域自适应。梦回正文，单纯的神经网络却认不出来。你训练
2021-08-17 18:27:39
2779
8
原创 使用torch进行迁移学习
文章目录1 前言2 process2.1 加载resnet18模型2.2 加载cifar10数据集2.3 冻结并改网络2.4 训练并测试3 源代码附录1 前言什么叫迁移学习？迁移学习(Transfer learning) 顾名思义就是把已训练好的模型（预训练模型）参数迁移到新的模型来帮助新模型训练。大白话：你学过了英文（预训练模型），之后你想学法文（新模型），在学习过程中，你会利用英文的基础，来帮助自己理解法文。That is Transfer Learning .更专业的表述可以参考迁移学习与域自适
2021-08-14 11:00:38
1284
1
原创 迁移学习与域自适应
文章目录1 摘要2 思路2.1 Question：2.2 理论公式2.3 任务场景2.3.1 同样的域，不同任务2.3.2 同样任务，不同的域3 总结附录1 摘要本文会介绍迁移学习与域自适应的具体区别首先，解答一个问题：如果说两个image服从同一种分布,到底是什么意思？之后通过数学理论公式，严谨的将迁移学习与域自适应区分开来，并介绍两者相应的应用场景。坚持看下去，我会讲清楚，我也相信你会有所收获。2 思路2.1 Question：如果说两个image服从同一种分布,到底是什么意思？
2021-08-13 12:30:13
4996
5
原创 强化学习之QLearning实战
目录1 前言2 如何做2.1 gym使用2.2 QLearning介绍2.3 生成Q表2.4 Q表决策3 源代码（可直接运行）4 总结5 附录1 前言玩个游戏（滑动杆CartPole）,看下图。我们的目标是，我们通过向左或向右滑动滑块来保证杆子始终在滑块的上方。下图我设置随机滑动滑块，展现出来就是这样一个效果。经过该篇文章学习后，你能通过强化学习操控滑块，达到如下的一个效果。Amazing？Let’s make it .回到正题首先需要安装Gym，即游戏仿真平台。使用pip install
2021-08-11 22:48:25
1348
5
原创 神经网络之特征图可视化
目录1 前言2 coding2.1 加载数据及模型2.2 微调及训练2.3 可视化特征图3 总结附录1 前言使用torch实现。使用cifar10数据集代码中，有一点点迁移学习的内容中间层输出的特征图与原始图像进行对比，加深对神经网络理解。即从人为的可视化的角度，理解神经网络到底干了什么事。效果图：2 coding为了减少运行时间，这里直接使用resnet18的预训练模型。但是由于resnet18是适配imagenet数据集（1000个类别）的，最终层输出是1000维的向量。这里我
2021-08-06 12:33:21
12299
原创 对抗样本库之foolbox
目录1 前言2 foolbox使用2.1 构建并训练模型2.2 foolbox加载数据2.3 CW有目标及无目标实例2.4. foolbox杂谈3 总结附录1 前言对抗样本库的一些基本介绍，大家可以看cleverhans的前言部分foolbox支持tensorflow，pytorch以及jax框架，包含大量对抗样本攻击方式。这里主要介绍使用torch+foolbox来实现对抗样本攻击。使用pip install foolbox 进行安装。官网资料：github foolbox库foolb
2021-08-03 13:52:51
3843
3
原创 对抗样本库之cleverhans
目录1 前言2 cleverhans使用2.1 构建并训练模型2.2 cleverhans攻击及可视化3 总结附录1 前言对抗样本库，即进行对抗样本攻击或防御的工具。cleverhans，foolbox，advertorch这三个对抗样本库是比较常用的。github搜索关键字即可找到。cleverhans在github有5k个star，foolbox 2k个star，advertorch 1k个star。通过该信息自然大家都会选择使用cleverfans。cleverhans在之前的版本中只支持t
2021-08-02 18:17:55
9268
7
原创 大白话之One Pixel Attack for Fooling Deep Neural Networks论文讲解
1 引言使用单像素点愚弄深度神经网络。2017 CVPR 论文地址对抗样本生成的一种策略。本文采取一种独立思考的方式，来理解与讲解这篇论文。2 算法原理2.1 第一印象what the fuck？改变一个像素点就能使网络分类错误？想法great，但怎么可能逐渐冷静。。。单像素点真的能攻击成功？2.2 初步设想Can we：貌似 ”goodfellow的模型高度线性化，使得图像会有扰动放大效应“ 为改设想提供了一定的理论依据。How：假设确实改动某个像素点的值能实现对抗攻击。那
2021-07-26 18:39:45
1448
3
原创 对抗样本之JSMA原理&coding
目录1 引言2 JSMA原理3 coding3.1 训练模型3.2 JSMA对抗样本生成3.3 测试鲁棒性3.4 可视化展示附录1 引言本文代码完成生成JSMA对抗样本的完整过程。直接复制代码就能跑。相信我，不骗你。使用pytorch实现JSMA。pytorch不会？跳转2016 论文地址2 JSMA原理与FGSM利用模型输出的损失函数梯度信息不同，JSMA主要利用模型的输出类别概率信息，来反向传播求得对应梯度信息。作者将其称为前向梯度。即：通过如上的前向梯度，我们可以知道每个像素点对
2021-07-23 11:30:15
4154
7
原创 对抗样本之DeepFool原理&coding
目录1 笔者言2 coding2.1 训练模型2.2 DeepFool对抗样本生成2.3 测试鲁棒性2.4 可视化展示附录1 笔者言虽说标题有DeepFool原理，但能力有限，这个我确实讲不清楚。与FGSM，BIM，MIM，CW等生成对抗样本的方法相比，deepfool是最难的了。给你推荐一个我看懂了的文章，但切记，想要真正明白deepfool的原理，就一定要耐下性子认真看，还要多动笔画示意图。言至此，传送门本文主要讲解代码，完成生成deepfool对抗样本的完整过程。直接复制代码就能跑。相信我，不
2021-07-21 23:25:02
3406
3
原创 对抗样本之MIM原理&coding
1 引言MIM，即基于动量的基本迭代法。在BIM上加了动量的操作。不会BIM？跳转理解了BIM（基本迭代法），相信MIM的原理对你也不难。使用pytorch实现MIM。pytorch不会？跳转MIM 论文地址2 MIM原理对比BIMMIM如上，MIM与BIM在公式上就是有没有 miu*gt 的区别。其方法主要借鉴于神经网络中参数更新的momentum动量的思想。说白了，MIM的本质就是，在进行迭代的时候，每一轮的扰动不仅与当前的梯度方向有关，还与之前算出来的梯度方向相关
2021-07-20 23:12:28
2118
6
原创 对抗样本之BIM原理&coding
1 引言BIM，即基本迭代法，在FGSM基础上加上了迭代操作。想看FGSM，跳转理解了FGSM，相信对BIM会丝毫没有压力。各位看官大多还是奔着代码去的吧，这里核心讲下代码。使用pytorch实现BIM。pytorch不会？跳转2 BIM原理对比FGSM公式BIM公式如上，BIM与FGSM真就是一个for循环的区别。但为什么BIM也能发论文呢？BIM存在其数学理论的合理性以及实验效果表现良好。FGSM的使用，基于作者假设模型是高度线性化的。如此一来，梯度上升的方向就是最佳
2021-07-20 11:27:19
2720
4
原创 进化算法及模拟退火算法详解
文章目录1 引言2 GA遗传算法3 ES算法4 ES（1+1）算法5 模拟退火算法6 总结1 引言学习启发式算法需紧抓两点：如何通过父代生成子代点。通俗点来讲，就是种群如何交叉繁衍如何实现优胜劣汰，即使用何种算法将一个种群表现优秀的个体保存下来牢抓以上两点，有的放矢，启发式算法就简单的一批。2 GA遗传算法这里主要讲下GA算法的宏观思路。初始化100个父代（其实就是上图的100个点的x值），那如何通过这些父代，产生子代呢？这里就要拿生物学上的概念来理解了。现在我们把一个父代或子代看
2021-06-14 19:23:40
1114
4
原创 对抗样本之CW原理&coding
目录1 引言2 算法详解2.1 常人思路2.2 CW算法思路3 攻击直观对比4 总结5 附录1 引言本文采用手稿模拟的角度，尽量使读者较为直白的面对冷冰冰的公式。抛去CW算法不谈。一般来说，生成样本算法都要保证如下两个条件：1、对抗样本和干净样本的差距应该越小越好。评价指标有 L0，L2，L正无穷2、对抗样本应该使得模型分类错，且分类错的那一类的置信度应足够的高（有目标攻击）。条件一，保证了生成样本与原始干净样本尽量的相似。条件二，保证了生成样本确实能成功攻击模型。仔细想想，这两个条件是
2021-06-09 13:53:20
4448
12
原创 对抗样本之FGSM原理&coding
文章目录1、FGSM原理2、pytorch实现2.1 建立模型2.2 FGSM模块2.3 测试2.4 可视化对比2.5 对比样本与对抗样本1、FGSM原理论文 Explaining and harnessing adversarial examples. 这篇论文由Goodfellow等人发表在ICLR2015会议上，是对抗样本生成领域的经典论文。FGSM（fast gradient sign method）是一种基于梯度生成对抗样本的算法，属于对抗攻击中的无目标攻击（即不要求对抗样本经过mod
2021-05-13 13:56:37
6835
13
原创 pytorch从基础到实战
1、前言受博士学长推荐，入手了pytorch，用过都说好基础部分：pytorch优势以及其自动求导模块实战部分：pytorch拟合log函数曲线，代码逐句解释，让你真正明白pytorch的运行原理要求：提前安装好pytorch库，官方文档入口2、基础部分1.pytorch优势...
2021-05-08 22:05:30
2623
2
原创 关于我的复试那点事
目录1、前言2、初试后3、成绩出4、复试事5、录取时1、前言风里雨里多少日，终究等到艳阳天。应某位兄弟的要求，现着手完成复试的总结。也想着好久没有写新文章了，手法都要日渐生疏。以下单纯讲下个人经历，只博未来一笑。2、初试后还记得那是2020年12月27号的下午，天气是异常的好，虽说是冬季，但却有了春风的感觉。考完之后，我随着人群走出考场。风，吹到了我脸上，心中稍微一颤，这才从专业课的思绪中拉出来。风哪有什么恶意，只不过想引起我的注意罢了。我拿起一根烟，点了起来。诶，这次专
2021-04-14 20:40:43
1042
12
原创 Python中调用C/C++程序
目录1 摘要2 在Python中加载c/c++动态链接库3 Python与C/C++程序间传递图像1 摘要在Python中调用C/C++代码有两种方式，这里就说其中更简单的一种。将C/C++代码编译成动态链接库在Python中通过ctypes.cdll.LoadLibrary()直接加载该动态链接库，调用其中的函数。2 在Python中加载c/c++动态链接库编写C/C++程序factorial.cint factorial(int n){ if (n < 0)
2021-03-03 14:22:02
842
1
原创 python+selenium实战之无限评论
目录概要1、登录模块2、生成评论3、主要内容4、源代码汇总（可直接运行）概要功能：对csdn门户网站进行无限评论和点赞操作该实战项目使用的是firefox浏览器，进行selenium进行自动化操作对selenium使用不熟，可转至Python Selenium库的使用要求：安装selenium库，安装代码 pip install selenium使用firefox（如果你想用google，相应的驱动自己去装也行）下载geckodriver(是Firefox的官方webdriver)，
2021-02-08 22:00:24
2434
57
原创 keras之迁移学习小demo（四）
0 概要如果不懂迁移学习的概念——> 什么是迁移学习 (Transfer Learning)？本篇文章的预训练模型是从keras之分类数字图片（二）内获取的。要求：安装keras库能用gpu跑项目，如果不能，解决方案——>Google colab使用之手把手教学以上两点要求无法满足，你我就改日再见吧“食用”方式先“食用” keras之分类数字图片（二） 再观看这篇文章，效果更佳（不是捆绑消费）或者通过网盘获取 h5 模型文件，直接看这篇文章，效果略差h5 模型文件获取方
2021-02-01 17:51:27
771
3
原创 keras之读取h5文件（三）
目录0 前言1 读取h5文件1.1 加载模型1.2 打印模型权重1.3 使用test集验证2 源代码0 前言要求：安装keras库需要一个h5文件进行读取h5文件获取方式：1、keras之分类数字图片（二），该文章的会生成模型及参数，建议使用这种方法，掌握来龙去脉。2、或者直接获取：百度网盘提取码：gedt1 读取h5文件目标：熟练使用keras存读取h5文件步骤：1、加载模型2、打印模型权重3、使用test数据集验证，加载的模型是否完整1.1 加载模型fro
2021-01-31 10:23:24
3740
4
原创 keras之分类数字图片（二）
目录0 前言1 搭建模型1.1、加载数据1.2、数据进行预处理1.3、构建网络模型1.4、模型可视化1.5、模型评估及预测1.6、保存模型及参数2 源代码0 前言要求：安装keras库使用gpu运行。使用gpu大概10分钟能跑完，cpu跑不太现实没有gpu之解决方案，传送至Google colab使用之手把手教学1 搭建模型目标：使用keras搭建简单的网络结构，用来预测mnist数据集中的手写数字步骤：从MNIST加载图片数据。数据进行预处理构建网络模型，模型结构如下图
2021-01-30 21:42:36
678
1
原创 keras之模拟线性回归（一）
目录0 前言1 搭建模型2 源代码0 前言要求：安装keras库如有疑问，评论区留言1 搭建模型#这个demo，做一个简单的线性回归预测# 步骤：# 目标：是使得网络模型拟和一条 y=2*x+1 的函数图像，# 1、首先在 y=2*x+1 附近生成一些点，其中的x作为输入数据，y作为输出数据# 2、训练一个神经网络模型，包括100个神经元的全连接层和最终1个神经元的输出层。下面会提供网络模型图片# 3、训练大概1万次左右，即更新一万次参数。最后随机给出几个x，预测是否符合 y=.
2021-01-30 10:28:19
549
原创 Google colab使用之手把手教学
目录0 前言1 极速开始2 “持久化”使用方式3 一些重要的使用经验0 前言相信各位看到这篇文章，是因为自己电脑跑神经网络代码太慢了。这里我谈一下我个人经历。前几天我要跑一个tensorflow的项目——官方提供的一个28*28*3的手写数字生成项目。由于我没有配cpu，一个很简单的项目跑了很久都没成功。我开始了探索之路。刚开始我尝试在自己电脑上配置gpu环境，网上配置gpu教程参差不齐，我试了很久也无法成功 经同学推荐入手了baidu AI Studio。发现不支持te.
2021-01-27 23:24:44
3321
1
原创 cv2.resize()原理详解
以下使用python语言，使用opencv库，解释最近邻插值法和双线性插值法的原理，并通过python代码复现。1、cv2.resize函数说明 resize是opencv库中的一个函数，主要起到对图片进行缩放的作用。 example: 以下代码就可以将原图片转化为宽和长分别为300，300的图片。width和height可以自己任意指定，不论大小。import cv2 as cvwidth = 300height = 300img = cv.imread('...
2021-01-23 22:35:06
129183
4
原创 图片转为字符串（蔡徐坤之舞动人生）
一、直接看效果源代码图像：结果图像（转为彩色字符串）：2、上代码解释：下面的path是视频路径，结果就会显示如上图所示；想要黑白效果自需要将代码下面的（b，g，r）改为（255，255，255）黑白的，具体代码里有注释import cv2import numpy as npdef readVideo(path): videoCapture = cv...
2020-04-24 16:02:49
6513
原创 MongoDB安装（超详细）
一、概要 之所以写这篇文章是被mongodb安装坑了不少，接下来我会详细的一步步说明我的安装步骤。我的系统是window10，只要和我的系统相同保证你安装成功。 MongoDB安装包括两部分，一个是将MongoDB的服务下载下来并且安装到自己电脑；一个是可视化界面（解释：你下了MongoDB服务当然要用起来啊，固然你可以使用命令行的客户端，但是建议你安装MongoDB ...
2020-04-05 14:53:17
191494
95
原创 seaborn库各个画图函数使用实例
前言：以下均使用anaconda的notebook环境进行编写，数据和源代码均能找到链接：https://pan.baidu.com/s/1ggSmjI7aOB7CqbDmVfvw0A提取码：x4kv通过anaconda的notebook 打开 Utitled.ipynb，有所有代码1、seaborn的出现x = np.random.normal(size=10...
2020-02-16 16:40:05
4559
2
原创 acm资源分享（包括啊哈算法，白书，紫书）
链接：https://pan.baidu.com/s/16CI7M6-H2gBORfS8UJ0ZVQ提取码：0v65
2019-12-25 10:57:35
1375
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人