- 博客(14)
- 收藏
- 关注
RSS订阅原创 微信小程序部署机器学习模型全流程（2、服务器的租用与域名的申请）
本文记录了如何在服务器后端部署机器学习模型（分类，目标检测，语义分割，自然语言处理等），然后使用微信小程序作为前端，实现模型的部署的全流程。
2024-03-21 22:33:05
398
原创 【零基础入门哈希签名架构，从Lamport到SPHINCS+】第五集 SPHINCS 2015 SPHINCS+ 2019（完结撒花）
SPHINCS的其余细节我就不再多说了，因为在SPHINCS+中，会对其做出一些改变，大家只需要理解其整体框架即可。SPHINCS+的总体框架我们已经讲完了，就是在SPHINCS的基础上，将HORST变成FORS。到目前为止，你已经完全了解SPHINCS+基本原理是怎么运作的了。最后再放一下SPHINCS+的总体框架图。
2023-10-23 16:14:40
701
原创 【零基础入门哈希签名架构，从Lamport到SPHINCS+】第四集 GMSS、XMSS、Multi Tree XMSS
Johannes Buchmann在2007年的论文《Merkle Signatures with Virtually Unlimited Signature Capacity》中提出了GMSS方案。最重要的是第一次提出了“超树”这个念。在这个“超树”中，每一个节点是一颗Merkle树。假设“超树”有T层，最底层的节点（Merkle树）从左到右为TT0TT1我们可以拆开“超树”的节点来看看，里面是什么，如上图所示，假设图中被拆开的节点是T24，我们可以看到T2。
2023-10-21 10:36:43
513
1
原创 【零基础入门哈希签名架构，从Lamport到SPHINCS+】第三集 HORS Hash to Obtain Random Subset 2002、DBS算法 2008
1992年Bos和Chaum两人发布的论文《Provably Unforgeable Signatures》中提出了一种可以减小私钥大小的方法。我们现在来回顾一下第一集中的Lamport方案。假设现在我们有一个3bit的message需要签名，我们需要用到的私钥有6个元素SKsk01sk11sk02sk12sk03sk13。
2023-10-18 10:00:58
358
1
原创 【零基础入门哈希签名架构，从Lamport到SPHINCS+】第二集 哈希签名树 Merkle Tree Authentication
在第一集中，我们一直忽略了一个问题。设想一下，假如有一个Hacker（黑客），在截获到Sender发送给Receiver的公钥之后，把这个公钥改成Hacker自己的公钥，然后再发给Receiver，那么Receiver就会误认为这是Sender的公钥。所以我们之前所说放方案，其安全性都需要建立在一个前提下：Receiver需要确认公钥确实是Sender发出的。
2023-10-17 12:10:40
365
原创 【零基础入门哈希签名架构，从Lamport到SPHINCS+】第一集 哈希签名始祖 Lamport 方案及其改进版本（Merkle，Winternitz）
【零基础入门哈希签名架构，从Lamport到SPHINCS+】第一集 哈希签名始祖Lamport方案及其改进版本
2023-10-14 14:22:53
615
2
原创 只用一个typeC线连接树莓派4B（同时完成供电、信号传输、网络共享三合一）
以上步骤的目标是创建一个模拟的 USB 设备，该设备可以通过 USB 与其他设备进行通信并提供网络功能。以上步骤的目标是创建一个模拟的 USB 设备，该设备可以通过 USB 与其他设备进行通信并提供网络功能。，先找到自己的Mac的IP，然后在根据这个IP的前3位找树莓派的IP。文件，并写入以下内容：这个脚本用于设置 USB 设备，包括定义设备的各种属性和功能。文件，并写入以下内容：这个脚本用于设置 USB 设备，包括定义设备的各种属性和功能。树莓派初始的用户名为。：这会加载 USB 设备的核心驱动。
2023-07-12 17:22:09
3104
1
原创 微信小程序部署机器学习模型全流程（1、模型的训练与导出）
本文记录了如何在服务器后端部署机器学习模型（分类，目标检测，语义分割，自然语言处理等），然后使用微信小程序作为前端，实现模型的部署的全流程。
2023-07-10 21:32:35
1491
3
原创 MacBook用网线和VNC连接百度智能车上位机Edgeboard（2023年新版edgeboard）
用网线连接MacBook和Edgeboard，给Edgeboard上电。此时在Mac中的 系统设置偏好–网络 里会出现一个新的设备。我这里是AX88179A。
2023-07-10 20:24:57
499
1
原创 DragGAN 最关键的实现部分Motion supervision和Point tracking详解
DragGAN的底层是StyleGAN v2在StyleGAN中，图片是由一个个的潜在变量w控制生成的，在DragGAN中，通过改变这些潜在变量w来改变物体的拽动。
2023-05-26 16:37:06
473
1
原创 Paddle加载优化器参数文件后报错conv2d_0.w_0_moment1_0 should in state dict（问题已解决）
在同一个jupyter notebook中，实例化了一个模型A，然后又实例化了一个模型B。我们训练的是模型B，并且在训练过程中保存了模型B的参数和对应的优化器参数。结束训练后，退出notebook后再重新进入。实例化模型B，优化器（这里的模型B和优化器和之前训练的是一模一样的），然后载入相应的参数。开始训练模型B，然后出现了报错。
2023-04-11 18:49:22
519
1
原创 ABT(Asynchronous Backtracking)多智能体异步回溯算法详解（附python代码：用ABT解决n皇后问题）
ABT(Asynchronous Backtracking)多智能体异步回溯算法原理和思路详解（附python代码：用ABT解决n皇后问题）
2023-04-08 17:41:17
536
3
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