xk_005-CSDN博客

原创机器学习和深度学习资料共享

刚看到上传的资源不知道为什么要求积分自动涨了好几分，本来设置的是1分，因此积分不够的可以私信或者评论，可以私下共享资源（可以互相共享！）...

2020-03-24 18:40:16 290

好久不更，最近在学习ctf，今天更一波new bugctf论剑场中部分web题的WP，有一部分是借鉴大佬的博客！web25有一个输入框，一个下载链接，随便输入显示wrong!，下载链接进去后转http://123.206.87.240:10025/2/ziidan.txt显示下载错误，经多方尝试直接访问链接http://123.206.87.240:10025/ziidan.txt会出现一些类似字典的字符串，如下asdhjkdakjhkjwqadkjhsdkfkdjknbvdkajshdlj

2021-10-12 20:24:51 1793

原创 bugkuctf——社工-伪造

bugkuctf中的“社工伪造”题目，需要修改图像，找不到这张图片，所以截图……感觉像素还可以，所以分享大家共用。

2021-08-11 21:37:01 860

原创 python踩坑（一）——line contains NUL

python踩坑（一）——line contains NUL作文本分类作业时，出现一个坑……搞了一晚上。用torchtext中的data读取tsv和csv数据时一直出现line contains NUL错误，期间一直对数据做调整，包括修改文本数据中的\t、转换半角的,等等，一直不行，一直百度……，然后用pandas读取csv，也出现错误，有的行明明两项，但是read_csv报错说检测到3项，继续百度……，不得不说这个搜索真的是一直对不上号，直到在翻了两页看到https://stackoverflow.co

2021-04-22 10:16:04 5423 5

原创 kali_linux修改php配置文件不生效问题解决

kali_linux修改php配置文件‘php.ini’不生效问题解决这两天用php生成phar文件，需要修改php.ini配置文件，但是修改完网页下查看phpinfo信息中的php.ini，php运行时一直不生效，报错。查了还几天终于发现了问题，因为kali中装了好多个php环境，terminal中的php与apache中的php不是同一个环境。所以要运行terminal种的php需要修改它的环境，因此运行命令：php -r 'phpinfo();'可以看到配置文件位置：然后运行，发现php.

2021-03-01 09:00:16 1082 1

原创 Adversarial examples in the physical world

文献链接： https://arxiv.org/abs/1607.02533摘要现有的大多数机器学习分类器极易受到对抗样本的攻击。当前，很多对抗样本是直接将数据输入至分类器中，但是在现实中，并不能直接将图片数据输入系统，而是通过相机等传感器将信号输入系统的。本文在基于此类现实环境做出相关研究。发现在此种情况下，机器学习模型仍然也是很容易受到对抗样本的攻击。作者通过手机摄像头获得对抗样本的图像，然后输入ImageNet Inception分类器中，通过分类精度来证实了，即使通过摄像机观察，也有很大一部分.

2021-02-27 21:42:54 1231 2

原创《Explaining and Harnessing Adversarial Examples》即FGSM算法Pytorch实现

参考了众多代码，但是效果不佳，可以勉强实现文中的实验，仅供参考，代码菜鸟，大神飘过……#!/usr/bin/env python# coding: utf-8# In[1]:import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imageimport torch.nn as nnimport torchvisionimport torchfrom torchvision import transforms,

2021-02-18 16:28:06 669 3

原创 Explaining and Harnessing Adversarial Examples

对抗样本自从2014年被提出来之后，逐渐引发人们的关注,在Ian J. Goodfellow大佬的推动下，对抗样本攻防逐渐成为一个小领域，本文是Ian J. Goodfellow大佬在2015年ICLR上发表的论文，解释了对抗样本的机理以及通过实验论证了他的假设，同时借助该假设提出了一个快速梯度标记算法来产生对抗样本.**文献链接：**https://arxiv.org/abs/1412.6572摘要对于对抗样本导致的误分类现象，早期解释的关注点在非线性和过拟合上，文章用线性惯性进行解释，并首次给出.

2021-02-18 16:02:24 880 3

原创《Intriguing properties of neural networks》代码实现——Pytorch

《Intriguing properties of neural networks》代码实现——Pytorch一、代码实现#导入库import torch import torch.nn as nnimport torch.optim as optimimport torchvisionimport numpy as npimport matplotlib.pyplot as plt# 加载mnist数据mnist_train = torchvision.datasets.MNIST(

2021-02-17 13:16:37 870 2

原创 Intriguing properties of neural networks

Intriguing properties of neural networksps：由于作者刚开始读论文，英文水平有限，总结能力尚浅，因此主要以翻译为主，然后用代码实现文章中的实验……大神请飘过……文章连接：https://arxiv.org/abs/1312.6199一般认为这篇paper是对抗样本的开山之作Abstract深度神经网络是高度表达的模型，最近在语音和视觉识别任务上达到了非常优秀的性能。尽管他们的表现力是他们成功的原因，但是这也使他们学习了无法解释的，可能具有反直觉特性的解决方

2021-02-17 12:46:45 2058 2

原创 CSDN插件——真的不知道好不好用

CSDN插件——真的不知道好不好用没想到第一次测评……用在了CSDN的插件上，（本来测个什么高大上的东西—……emmmm），好吧，我承认是为了讲评，而且装个插件而不需要啥成本……，废话不多说，各位看官往下看。一、安装可以下载安装和在线安装，当然和我一样无法科学上网的选择本地下载安装包后，通过更多工具–>扩展程序界–>开发者模式(右上角)，直接拖入安装包即可；可以科学上网的更方便了，直接点进谷歌商店下载安装。二、试用2.1 界面首先就整体界面感而言谈不上好看但是重在实用。多个博客论坛

2020-12-21 20:17:21 576 5

原创第四章朴素贝叶斯法

第四章朴素贝叶斯法朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设的分类方法。对给定的数据集，实现NB如下基于特征条件独立假设学习输入输出的联合概率分布；基于模型，对输入xxx，利用贝叶斯定理求出后验概率最大的输出yyy。4.1 朴素贝叶斯法的学习与分类4.1.1 基本方法对于由P(X,Y)P(X,Y)P(X,Y)独立同分布产生的数据集T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}T={(x1,y

2020-10-27 13:41:34 99

原创第二章感知机

第2章感知机感知机1957年由Rosenblatt提出，是神经网络与支持向量机的基础。2.1 感知机模型感知机是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值，其属于判别模型。表示如下：f(x)=sign(w⋅x+b)(2.1)f(x)=sign(w\cdot x+b)\tag{2.1}f(x)=sign(w⋅x+b)(2.1)其中w∈Rnw\in R^nw∈Rn表示权值或权值参数；和b∈Rb\in Rb∈R表示偏置，均为为感知机参数。x∈Xx\in \ma

2020-10-24 13:18:59 137

原创第一章统计学习及监督学习概论（五）

1.6 泛化能力1.6.1 泛化误差学习方法的泛化能力是指由该方法学习到的模型对未知数据的预测能力，是学习方法本质上的重要性质。现实中采用最多的就是通误差来评价学习方法的泛化能力。公式表示为：R(f^)=Ep[L(Y,f^(X))]=∫XxYL(y,f^(x))P(x,y)dxdyR(\hat{f})=E_p[L(Y,\hat{f}(X))]=\int_{XxY}L(y,\hat{f}(x))P(x,y)dxdyR(f^)=Ep[L(Y,f^(X))]=∫XxYL(y,f^(x))P(x,y

2020-09-03 11:07:30 177

原创第一章统计学习及监督学习概论（四）

1.4 模型评估与模型选择1.4.1 训练误差与测试误差统计学习的目的是使学到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。当损失函数给定时，基于损失函数的模型的训练误差和测试误差就自然成为学习方法评估的标准。学习到的模型为Y=f^(X)Y=\hat{f}(X)Y=f^(X)，则训练误差是模型Y=f^(X)Y=\hat{f}(X)Y=f^(X)关于训练数据集的平均损失为：Remp(f^)=1N∑i=1NL(yi,f^(xi))R_{emp}(\hat{f})=\frac{1}{N}\d

2020-07-14 19:07:21 121

原创第一章统计学习及监督学习概论（三）

1.3 统计学习方法三要素统计学习方法都是由模型、策略和算法构成，即三要素。可以简单的表示为：方法=模型+策略+算法。可以说构建一种统计学习方法就是确定具体的三要素。监督学习、非监督学习和强化学习等都有三要素，下面以监督学习为例。1.3.1 模型统计学习首要考虑的问题是学习什么样的模型。模型即要学习的条件概率分布或决策函数，模型的假设空间包含所有的条件概率分布或决策函数，故一般是无穷多。假设空间可以定义为决策函数的集合：F={f∣Y=f(X)}(1)F= \{ f|Y=f( X )\}\tag{1

2020-07-12 12:14:46 173

原创第一章统计学习及监督学习概论（二）

1.2 统计学习的分类1.2.1 基本分类统计学习一般包括监督学习、无监督学习和强化学习，有时还包括半监督学习、主动学习。1.监督学习监督学习（supervised learning）是指从标注数据中学习预测模型的机器学习问题。其本质是学习输入输出的映射统计规律。（1）输入空间、特征空间和输出空间输入与输出所有可能取值的集合分别称为输入空间和输出空间。输入和输出空间的大小可以有限也可是无限集，当然其可以是同一空间也可以是不同空间。一般情况下输出空间远远小于输入空间。每个具体的输入实例，通常由一

2020-07-11 16:44:13 497

原创第一章统计学习及监督学习概论（一）

1.1 统计学习统计学习是关于计算机基于数据个哦偶见统计概率统计模型并运用模型对数据进行预测与分析的一门学科。1.统计学习的特点统计学习以计算机及网络为平台；统计学习以数据为研究对象，是数据驱动的学科；统计学习的目的是对数据进行预测与分析；统计学习以方法为中心，统计学习方法构建模型并依靠嗯与模型进行预测与分析；统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科，并在发展中逐步形成独自的理论体系和方法论。2.统计学习的对象统计学习研究的对象是数据。它从

2020-07-04 19:06:52 183

原创《统计学习方法》开启

终于下决心开始学习李航博士的《统计学习方法》，此专栏记录自己的学习笔记，和对书中的一些知识的自我理解，当然如果可以，争取完成所有的作业，用更新博客来打卡学习把！

2020-07-04 19:04:19 103

原创 ubuntu 20.04安装 unity-tweak-tools 启动时遇到错误

安装了半天unity-tweak-tools,一直打不开，报错schema com.canonical.Unity.ApplicationsLens not installed找了半天才解决……希望可以借鉴！解决方法：sudo apt-get install unity-lens-applications sudo apt-get install unity-lens-files以上命令安装两个依赖包就可以打开！...

2020-07-02 17:39:39 3985 14

原创我的考研

兜兜转转考研一年了，虽然中间经历了一些挫折，但是结果还算尽如人意吧。突然想把自己的一些经历和想法写下来，希望对和我一样菜但也想考研的同学有一些帮助吧。当然学霸、大神请绕道。一、时间的把控我是差不多6月开始复习的，但是真正复习的时间是从9月份预报名开始的，中间各种事耽误，没办法安心复习，搞得心理总觉得在浪费时间，后来实在不爽，索性就直接放弃了，只有等到晚上有时间就静心学习一会。一直到9月分预报名后，事情也少了，好多事处理完了，也就正式开始复习。所以时间非常紧，我感觉9月份别人已经复习了好几论了。我主要分配

2020-07-01 17:32:10 188

原创重启学习

最近由于一些事，没有时间写博客。学习的时间也少了好多，终于最近也闲了下来，开始继续开始学习，博客重启！加油！！！

2020-06-21 16:55:29 125

原创状态栏、菜单栏和工具栏[PyQt5（二）]

状态栏、菜单栏和工具栏QMainWindow提供了主窗口的功能，使用它能创建一些简单的状态栏、工具栏和菜单栏。01.状态栏状态栏是包含文本输出窗格或“指示器”的控制条。输出窗格通常用作消息行和状态指示器。消息行示例包括命令帮助消息行，它简要解释了“MFC 应用程序向导”所创建的默认状态栏的最左边窗格中选定的菜单或工具栏命令。状态指示器示例包括 SCROLL LOCK 键、NUM LOCK 键和其他键。状态栏通常和框架窗口的底部对齐。状态栏一般在每个窗口、程序操作界面的最底端import sysf

2020-05-08 19:53:32 325

原创 PyQt5之"Hello world"

一直想学Qt做一点GUI的东西，但是一直杂事缠身，无法静心去搞，最近一直在学校深度学习相关的东西，稍微抽空学一学PyQt，学完后想写一个自动生成词云的GUI程序。01.PtQt5简介PyQt5 是Digia的一套Qt5应用框架与python的结合。Qt库由Riverbank Computing开发，是最强大的GUI库之一，官方网站：www.riverbankcomputing.co.uk/n...

2020-05-06 20:23:45 335

原创 kali 2020消除chrome的unlock keyring弹窗

kali 2020消除chrome的unlock keyring弹窗每次kali上安装chrome后会出现unlock keyring非常烦人，在网上找教程也没找到，只要ubuntu的按照ubuntu的教程，稍加改动后成功解决安装chrome后，第一次打开chrome会弹出，输入密码和确认密码，然后每次都会弹出解锁框。如果直接点取消或叉掉会多次弹出。如何解决呢？非常简单第一步kali安装se...

2020-05-01 19:05:35 1045

原创第三课第二章神经网络文本分类(二)

神经网络文本分类(二)02 基于RNN/LSTM的文本分类模型详解RNN天然具有时序性，因此成为文本分类模型最常用的模型。2.1标准RNN及其局限标准RNN循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive n...

2020-04-15 20:53:11 859

原创 JavaScript从入门到入门（八）

第五章 BOM和DOM基础01.BOMBOM即浏览器对象模型，其核心对象是window，它表示浏览器的一个实例。在浏览器中，window对象有双重角色，它既是通过JavaScript访问浏览器窗口的一个接口，又是ECMAScript规定的Global对象。所有浏览器都支持该对象，浏览器对象模型如图所示在浏览器里一般调用window下的子模块不需要写出window，如window.docum...

2020-04-15 11:26:56 103

原创 JavaScript从入门到入门（七）

第四章 JavaScript自定义对象及表格操作01.JavaScript自定义对象目前在Javascript中，已经存在一些标准的类，例如Date、Array、RegExp、String、Math、Number等等，这为我们编程提供了许多方便。但对于复杂的客户端程序而言，这些还远远不够。我们也可以根据JS的对象扩展机制，用户可以自定义JS对象，，例如定义User类、Hashtable类等等。...

2020-04-14 20:18:17 138 2

原创 JavaScript从入门到入门（六）

第三章 JavaScript常用内置对象02.字符串及应用于表单2.1 字符串对象字符串对象是 JavaScript 最常用的内置对象，当使用字符串对象时，并不一定需要用关键字new。任何一个变量，如果它的值是字符串，那么，该变量就是一个字符串对象。因此，下述两种方法产生的字符串变量效果是一样的。如var mystring="this sample too easy! ";var mys...

2020-04-14 14:49:26 109

原创 JavaScript从入门到入门（五）

第三章 JavaScript常用内置对象01.常用属性与方法1.1 JavaScript数组1.1.1 数组定义数组（Array）是一组数据的集合，使用单独的变量名来存储一系列的值，JavaScript中数组其实是一个对象变量，它保存了数组对象的引用地址，因此，数组的定义和初始化与变量相似。JS创建数组有多种方法。1>单纯创建数组var a = new Array()2>...

2020-04-14 09:39:09 218 1

原创 JavaScript的Math对象

JavaScript的Math对象在Javascript学习中遇到Math对象的使用，则深入学习一下，写个博文供大家参考。Javascript中Math对象和其他对象不同，它具有数学常数和函数的属性和方法。因为它的属性是数学常数，所以不能被改变（可以进行赋值操作，但最后值不变）。Math的方法就是普通函数，调用他们直接用Math.method即可，因为它属于一个工具类不用创建对象，无需使用ne...

2020-04-07 11:37:19 126 2

原创 JavaScript从入门到入门（四）

二、JavaScript语言基础03.JavaScript控制语句3.1 if-else语句if语句是基于条件成立才执行相应代码时使用的语句，即单分支结构。if(条件) { 条件成立时执行代码}if-else语句是在指定的条件成立时执行代码，在条件不成立时执行else后的代码，二选一模式，即双分支结构。if(条件) { 条件成立时执行的代码} else {条件不成立时执行的代码}...

2020-04-07 11:19:07 86

原创第三课第二章神经网络文本分类（一）

神经网络文本分类（一）01 基于卷积神经网络的文本分类模型详解1.1什么是卷积神经网络卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation lea...

2020-04-06 20:42:39 1108

原创 JavaScript从入门到入门（三）

二、JavaScript语言基础02.JavaScript变量与函数2.1 JavaScript变量变量来源于数学，是计算机语言中能储存计算结果或能表示值抽象概念。其主要作用是存取数据、提供存放信息的容器。而JS是一种若检测语言。它对变量的定义并不需要声明变量类型，通过赋值的形式，可以将各种类型的数据赋值给同一个变量。2.1.1 命名规则JS中的变量命名与其他计算机语言非常相似，主要有一...

2020-04-04 18:52:01 110

原创 JavaScript从入门到入门（二）

二、JavaScript语言基础01.数据类型JavaScript的数据类型是动态类型，即相同的变量可作不同的类型，也就是说初始化什么值就是什么类型，主要有：字符串（String）、数字（Number）、布尔（Boolean）、数组（Array）、对象（object）、空（Null）和未定义（Undefined）1.1 数值型 numberJavaScript语言中此阿勇弱类型的方式，拥有...

2020-04-04 15:58:46 99

原创 JavaScript从入门到入门（一）

最近需要用到用到JavaScript，所以利用间隙时间学习一下语言，后续持续更新中……第一章 JavaScript初探01.js简介JavaScript是一种Web页面中的一种脚本编程语言，也是一种通用的、跨平台的、基于对象和事件驱动并具有安全性的脚本语言。它不需要进行编译，而是直接嵌入到HTML页面中，把静态页面转变成支持用户交互并响应事件的动态页面。主要用途：JavaScript主要...

2020-04-03 15:04:53 272

原创第三课第一章词向量与词嵌入（二）

02.NNLM模型2.1 神经网络语言模型的由来神经网络语言模型最早由CMU的Wei Xu和Alex Rudnicky提出的，可以2000年其发表文章Xu W , Rudnicky A . Can artificial neural networks learn language models?[C]// Sixth International Conference on Spoken La...

2020-04-02 10:52:01 624

原创第三课第一章词向量与词嵌入（一）

前言本来在学习第二课，发现第二课电商应用推荐主要是关于一些机器学习推荐算法用神经网络实现或改造，因此决定学后面的课程，把这一刻放在最后学习01.机器学习对词的表示方法1.1 独热编码独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。如...

2020-03-31 08:49:35 1038

原创第二课第一章深度学习在电商推荐上的应用

第二课第一章深度学习在电商推荐上的应用01.推荐系统问题1.1信息过载与推荐的必要性随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载(information overload)的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战。然而，对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大...

2020-03-29 20:38:31 1628

原创 GRU学习理解

一般RNN模型是a<t> = g(Wa[a<t-1>,x<t>] + ba)g是激活函数，一般用Tanh函数。图可表示为：而简化的GRU主要是为了解决在深层RNN神经网络中的梯度消失问题以及提供前后记忆能力，例如，The cat,which already ate…,was full.和The cats,which already ate…,were f...

2020-03-29 11:29:45 994