- 博客(51)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 对抗样例相关技术综述
Christian Szegedy ， L-BFGS 求解对抗样例 2013 ICLRIan Goodfellow, FGSM,FGM 快速梯度符号法 2014 ICLRNicolas Papernot，蒸馏的防御方法防御 2016 EuSPNicolas Papernot, JSMA, 2016 SPNicholas Carlini 迭代 2017 SPHao Chen, 防御 201
2019-07-24 09:38:39
314
转载 Python各类图像库的图片读写方式总结
转载自https://www.cnblogs.com/skyfsm/p/8276501.html最近在研究深度学习视觉相关的东西，经常需要写python代码搭建深度学习模型。比如写CNN模型相关代码时，我们需要借助python图像库来读取图像并进行一系列的图像处理工作。我最常用的图像库当然是opencv，很强大很好用，但是opencv也有一些坑，不注意的话也会搞出大麻烦。近期我也在看一些别人...
2019-07-24 09:37:07
1208
原创 统计学习方法-第七章支持向量机
Q: 为什么要把原问题转换为对偶问题？A：因为原问题是凸二次规划问题，转换为对偶问题更加高效。并且可以引入核函数Q: 为什么求解对偶问题更加高效？A：因为只用求解alpha系数，而alpha系数只有支持向量才非0，其他全部为0.Q：alpha系数有多少个？A：样本点的个数Q： SVM怎么防止过拟合？A：引入松弛变量Q：LR和SVM有什么不同吗？A：（...
2019-03-17 14:49:26
236
原创 统计学习方法-第五章决策树
1.决策树学习的三步骤：特征选择，决策树的生成，决策树的修剪。2.主要由ID3，C4.5，CART树。3. 从所有决策树中选取最优决策树是NP完全问题，现实中通常采用启发式的方式，近似求解这一优化问题，这样得到的决策树是次最优的。4.随机变量X熵的定义 熵是表示随机变量不确定性的衡量信息增益（ID3）：样本集合D对特征A的信息增益其中K是类别数，n是A取值的个数。是D中...
2019-02-28 16:22:10
202
原创 统计学习方法-第四章朴素贝叶斯
1. 朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。由训练数据学习联合概率分布P(X,Y),然后求得后验概率分布P(Y/X)。具体地，利用训练数据学习P(X/Y)和P(Y)的估计，然后得到联合概率分布P（X,Y）概率估计方法极大似然估计或者贝叶斯估计。2. 由于条件独立性的假设，包含的条件概率大为减少，学习与预测大为简化，高效易实现，分类性能不一定高。 ...
2019-02-28 15:41:58
141
原创 统计学习方法-第三章K近邻
k近邻的三要素：距离度量，k值的选择，分类决策规则距离的度量：欧式距离，曼哈顿距离，无穷范式K值的选取：k值得选择会对k近邻的结果产生重大的影响如果选择较小的K值，就相当于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有输入实例较近的训练实例才会对预测结果起作用。但缺点是“学习”的估计误差会增大，预测结果会对近邻实例点非常敏感。如果邻近的实例点恰巧是噪声，预测就会出错。...
2019-02-28 01:03:07
229
原创 统计学习方法-第二章感知机
1. 感知机是二类分类的线性分类模型, 感知机旨在学习将训练数据进行线性划分的超平面。假设是数据线性可分。2. 定义 损失函数使用梯度下降算法求解 ...
2019-02-27 17:34:00
162
原创 统计学习方法-第一章统计学习方法概论
1. 统计学习的方法是基于数据构建统计模型从而对数据进行预测与分析。统计学习由监督学习，非监督学习，半监督学习和强化学习等组成。2. 输入变量和输出变量都是连续变量，称为回归问题；输出变量为有限个离散变量的预测问题为分类问题；输入变量和输出变量均为变量序列的预测问题称为标注问题。3. 统计学习常用的损失函数 0-1损失函数，平方损失函数，绝对损失函数，对数损失函数；大数定律：...
2019-02-27 15:45:18
271
原创 算法
1. 什么是高斯过程2. 为什么神经网络能学习很复杂的参数3. 为什么分布选择高斯分布（大数极限定理）4. 决策树的建立过程，信息增益，基尼指数。5. 随机森林为什么效果好6. 估计量跟样本有什么关系7.过拟合的原因是什么，有哪些解决方法8. 为什么dropout可以解决过拟合9. 为什么有残差网络？好处是什么10. 排序算法的最小复杂度11. f(x) 凹...
2019-02-26 22:34:02
180
原创 Python PIL库的一些图像处理操作
一些常见的图像处理：Image.FLIP_LEFT_RIGHT 左右互换Image.FLIP_TOP_BOTTOM 上下互换Image.ROTATE_90 选择Image.resize() 放缩im.thumbnail 缩略图crop() 裁剪paste()粘贴ImageStat.Stat(image) 计算给定图像的统计值，每个通道的像素值个数，像素之和，像素平方之和，均值，方...
2018-10-23 16:59:47
1415
转载 Seaborn画图
转自：https://blog.csdn.net/ice_martin/article/details/61617053Matplotlib进阶：Seaborn教程martinMatplotlib进阶Seaborn教程样式管理使用axes_style和set_style控制外观选择颜色可选绘图函数可视化数据的分布绘制单变量分布绘制二元分布可视化线性回归关系模型可选使用分类数据绘图利用不同类型模型来...
2018-06-24 12:17:54
965
原创 python 读取图像的几种方式与注意点
matplotlibimport matplotlib.image as mpimg lena = mpimg.imread(imagepath) #lena是一个np.array 如224*224*3#读取的RGB值的数据类型默认为numpy.float32[0,1]##像素通道RGB#显示图片plt.imshow(lena)plt.show()##保存...
2018-04-26 16:18:25
2112
转载 怎样阅读文献
文献三部曲一、 5-10分钟a.题目，摘要，引言b.每部分标题及二级标题c.结论d.参考文献，标注已读过的文献二、 1个小时a.仔细看文中的表，图例，判断结论是否显然b.标注没有读的参考文献三、3到4个小时，专家1个小时a.重复作者的工作，知道作者的创新点，发现错误或假设错误b.重构文章，识别文章主次带着问题读文献 我要解决什么问题而看的文献本文主要讲了什么？本文的目的是什么？作者用了什么方法
2018-01-31 21:15:06
171
原创 对抗样例论文学习四
Distillation as a defense to adversarial perturbations against deep neural networks
2018-01-02 16:23:19
542
原创 对抗样例论文学习三
adversarial examples in the physical world这是 Goodfellow 在ICLR 2017会议上的论文。 目前攻击样例，攻击者均是直接对抗图像喂给分类器，但是这个在现实世界中可能不是那么容易。所以作者模拟了通过相机捕捉的对抗图像，观察现实世界中的对抗效果。因为经过照相和打印，会对原有图像进行了些许的扰动，可能会影响攻击的效果。作者使用谷歌Ince
2018-01-02 14:57:12
601
原创 对抗样例论文学习二
第二篇文章 Ian GoodFellow：Explaining and Harnessing Adversarial Examples.文章指出，早期解释对抗样例的原因主要在非线性和过拟合，但是GoodFellow却有不一样的看法，认为神经网络容易受到对抗扰动的原因是固有的线性特性，模型在高维空间的线性行为足够让攻击者找到对抗样例 对于之前Szegedy的工作，GoodFellow总结到，
2017-12-26 14:51:10
866
转载 计算机学术论文写作与发表
作者：Terafer 链接：https://www.zhihu.com/question/22790506/answer/81787300 来源：知乎首先，你需要判断自己的文章是投往哪个A类期刊或者会议，是IEEE的还是ACM的。通常IEEE会议的格式和ACM会议的文章格式要求有所不同，我建议你在投论文之前先把该会议的Call For Papers好好研读一番，弄清楚文章长度，需要使用的L
2017-12-26 14:07:10
1426
原创 吴恩达deep learning课程学习重点笔记
神经网络基础：梯度下降法指的是在给定一个初始值后，始终沿着当前最陡峭的下降方向进行移动。代价函数：二次型，交叉熵代价函数（cross-entropy cost）计算方法：backpropagation 优化方法：SGD随机梯度下降 softmax函数：输出概率化如果我们选择tanh作为激活函数，由于其平均值更接近于0，可以起到中心化的作用，通常更有利用算法优化。对于一个二分类问题
2017-12-26 13:51:19
709
原创 对抗样例论文学习一
对抗样例的主要主要思想就是在神经网络的输入端加入一个不以觉察的小扰动，但是在经过神经网络预测后造成误判。这样的样本叫做 adversarial example（对抗样本）。以下主要针对对抗样例的一些paper进行解读：第一篇对抗样例文章：Christian Szegedy等人在2014年发表一篇文章，Intriguing properties of neural networks
2017-12-25 09:33:00
647
转载 深度学习相关学习资料
转自 http://blog.csdn.net/u013854886/article/details/48177251深度学习相关学习资料，Mark下1. Deep Learning课程(由浅入深)：一个不错的中文博客: Deep Learning由浅入深.UFLDL机器学习教程：UFLDL Tutorial.我们组的一个Deep Learning的比较
2017-11-20 12:37:15
202
转载 机器学习资料汇总
《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.《Deep Learning in Neural Networks: An Overview》介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
2017-05-28 19:29:20
2775
转载 机器学习资料
转自 http://blog.csdn.net/dream_angel_z/article/details/48525973学习Machine Learning也有很长一段时间了，前段时间在paper中应用了GTB（Gradient Tree Boosting）算法。在我的数据集上GTB的performance比Random Forest要稍微强一点，整个experiment做完之后，
2017-05-28 19:24:52
464
转载 基于机器学习的web异常检测
转载自阿里安全：学习参考https://bbs.aliyun.com/read/306320.html?spm=5176.bbsl254.0.0.NcLHu1Web防火墙是信息安全的第一道防线。随着网络技术的快速更新，新的黑客技术也层出不穷，为传统规则防火墙带来了挑战。传统web入侵检测技术通过维护规则集对入侵访问进行拦截。一方面，硬规则在灵活的黑客面前，很容易被绕过，且基于以
2017-03-09 14:48:40
463
原创 python 中网络编程连接以及报头
urllib:url ="http://www.csdn.net"ff = urllib.urlopen(url)(url须为绝对地址)不能修改headerff.geturl() 获取访问的URL(string)ff.headers 获取回应报头(string)ff.info() 获取回应报头(string)urllib2:ff = urllib
2016-12-20 12:51:22
623
原创 python 读写文件
Python打开文件：f = file('****.txt','w+'),f=open('****.txt,'w+')'r'读模式、'w'写模式、'a'追加模式、'b'二进制模式、'+'读/写模式。Python 读文件有几种方式：f.read([size])读取所有内容到一个大字符串/或者指定字节大小f.readline（），按行读取,存到字符串f.readlines(
2016-12-20 12:28:22
380
原创 python 网络编程httplib/httplib2/urllib/urllib2
httplib实现了HTTP和HTTPS的客户端协议，一般不直接使用，在python更高层的封装模块中（urllib,urllib2）使用了它的http实现。httplib.HTTPConnection ( host [ , port [ , strict [ , timeout ]]] )import httplibconn = httplib.HTTPCon
2016-12-19 14:23:57
801
转载 Python 爬取数据接口
转自：http://blog.csdn.net/GarfieldEr007/article/details/51394274 Python 爬取数据，数据分析的接口Welcome to Python API.comSelect API / Python wrapper from the listAlexa WebWeb traffic
2016-12-18 11:40:45
5075
原创 Python 相关包安装pip
pip安装Python的一些包时，默认的源会因为一些墙的原因，下载慢或者不能下载,需要更改源，且现在升级到HTTPS临时使用，如下提供一个清华的源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package设为默认路径：修改 ~/.pip/pip.conf (没有就创建一个)， 修改 index-url至tu
2016-12-16 16:39:15
294
原创 opendaylight实验远程调试
进行odl开发时需要理解其中的细节，以及代码的执行步骤。需要用到调试。odl的代码比较复杂，在Ubuntu命令行下切换也比较麻烦，这里介绍在Windows下开发并进行远程调试的方法。现用eclipse这样的IDE，但是想要编译也是需要安装很多插件。这里提供一个以及安装好的eclipse 下载地址：http://pan.baidu.com/s/1qX44FKC可以直接进行模块的
2016-01-26 14:45:19
1863
原创 代理服务器的学习
最近在做代理服务器这块，需要搭建不同系统不同类型的服务器，针对一个请求进行多发多收。所以选择nginx，Apache，以及IIS等。操作系统分别选择Ubuntu14.04，centos6.0，Windows10。~为区分大小写匹配；~*为不区分大小写匹配；!~和!~*分别为区分大小写不匹配及不区分大小写不匹配。 2、文件及目录匹配，其中：-f和!-f用来判断是否存在文件；-d和!-d用来判断是否存在目录；-e和!-e用来判断是否存在文件或目录；-x和!-x用来判断文件是
2015-09-07 13:07:55
469
原创 windows权限问题
复制文件到C 盘会提示：错误0×80070522:客户端没有所需的特权解决办法用管理员权限运行CMD，输入icacls c:\ /setintegritylevel M即可将C盘安全级别下调至M级。如果想要恢复的话，则使用icacls c:\ /setintegritylevel H即可将C盘安全级别上升至H级。
2015-09-07 12:52:19
759
原创 opendaylight中arphandler模块与routing模块的学习
/** The ARP requests are broadcast packets so in order to * reach everywhere need to be flooded, when you flood in a network * that is not a tree (all the networks has some level of redundancy)
2015-07-26 20:38:35
1835
2
转载 opendaylight中ping的数据流分析
http://vinllen.com/opendaylight-pinghong-fa-de-shu-ju-liu/例程详细讲解了odl中ping的数据流过程1.host1 ping host4，首先发送一个arp报文，交换机收到arp报文，由于本身流表没有，上传到controller。2.由于是of 1.0的协议，走的of 1.0 模块，of1.0收到后上
2015-07-22 22:39:41
1688
原创 opendaylight中数据包监听原理
关于odl中数据包监听的原理：数据包的监听需要实现监听数据包的接口，在接口函数里面实现对数据包的处理。但是数据包的处理有不同的方式，不同bundle之间处理数据包有着先后顺序。下面介绍下数据包服务接口与监听数据包接口。IDataPacketService：在sal模块中定义的，数据包服务的接口，定义了三个方法： void transmitDataPacket(RawPa
2015-07-22 22:10:34
1325
原创 LaTeX的一些用法
最近学习了关于论文的排版，需要用LaTeX软件，这里简单介绍一些汇总的LaTeX的常用用法：1 LaTeX给文字或者公式添加方框\fbox{% \parbox{\textwidth}{% \begin{center} aaa\\ bbb \end{center} }% }
2015-07-16 09:05:20
16322
翻译 开发OpenDaylight组件的完整流程
在前面介绍学习了OpenDaylight的几个重要模块后，这里再来介绍下完整开发一个模块的过程。OSGI的bundles提供被其他OSGI组件调用的服务。这个教程中展示的是Data Packet Service去解析数据包（其接口为 IDataPacketService）。这个小组件不能提供函数供其他bundles调用，但是可以让我们很好的理解为了接收到一个Packet-i
2015-07-03 20:40:26
12773
5
原创 iperf工具学习
由于在做sdn实验时需要测试两主机之间的带宽、吞吐率等网络数据，iperf工具需要学习一下。数据面采用的mininet平台自带iperf整理网络上学习资源，总结的iperf学习命令使用iperf测试需要将一台设为服务器，另一台设为客户端TCP模式下：server： iperf -sclient： iperf -c server-ip +option参数Iper
2015-05-05 15:53:39
921
原创 opendaylight中statisticsmanager模块的学习
这个模块定义了一些方法，用来获取网络中node的一些统计数据List getFlows(Node node); //获取指定节点上的所有流数据List getFlowsNoCache(Node node);//功能同上，但不包含缓存的流Map> getFlowStatisticsForFlowList(List flows);//获取流链表中指定流的统计数据
2015-04-23 10:14:04
1078
1
原创 关于opendaylight中拓扑元素的数据结构
Edge：连接两个nodeconnectors，有方向的，成员变量： private NodeConnector tailNodeConnector; private NodeConnector headNodeConnector;成员函数：private Edge()//默认的构造public Edge(NodeConnector tailNod
2015-04-21 21:00:21
1734
2
原创 opendaylight中TopologyManager模块学习
该模块维护网络拓扑信息，并在拓扑变化时通知其监听者在ITopologyManager接口中提供获得“node”，”NodeConnectorHost“，以及它们间的连接关系。由ISwitchManager提供网络中所有的switch.在org.opendaylight.controller.topology.web.Topology类中获得上述数据后，通过CircleLayout类完成
2015-04-21 09:19:26
2482
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人