- 博客(78)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 Federal_object_detection 环境配置
操作系统：Linux 3e5b96d332f0 4.15.0-45-generic #48~16.04.1-Ubuntu SMP Tue Jan 29 18:03:48 UTC 2019 x86_64 x86_64 x86_64 GNU/Linux日 期：2021/01/041.配置运行环境如图并安装requirement.txt对应版本文件2.修改所有的@cupy.util.memoize->@cupy.memoize。例如，model/roi.module.py第十四行，这.
2021-01-04 18:05:08
243
原创 2020-11-17
IDEA 不能create new project:1.自己利用txt新建一个java文件，拖进IDEA2.file->project structure接受协议
2020-11-17 18:20:24
158
原创 区块链基础——P2SH多重签名验证
n个服务商至少需要m个服务商的签名，交易才会有效。多重签名的输入和输出都是以脚本的形式一、交易（服务商）发送方将签名和序列花的含有多个公钥的赎回脚本共同放入一个脚本中，输入hash函数，得到hash值。并将此hash值给接收方（用户）块头。其中红叉可以忽略，其用以解决代码中的一个bug，可以理解为任意字符。输入脚本操作输出脚本操作：二、验证节点间交易有效性验证接收方hash值是否与发送方脚本的hash值相同，以防篡改。之后验证签名和赎回脚本中的公钥是否满足选择关系，以确定交易有效性。
2020-08-29 16:44:49
1197
原创 区块链二——数据结构
区块链基础——区块链数据结构区块链数据结构1.hash链表第一个区块：创世纪区块最后一个区块：最近区块，只要记住这个区块的hash值，就能检测出区块链是否有修改。摘要：前一个区块的hash值。区块：每一个区块包含摘要和数据2.Merkle tree每一个tx表示一个交易，同一个区块可以包含多个交易信息。具体输入输出关系如图在区块中任何一个数据的修改，都会导致Merkle Root保存的hash值的修改，因此可以高效检测篡改。merkle tree区块链存储信息量比区块链表大。每一个区
2020-08-27 13:57:43
345
原创 Centos中Docker，docker-compose,jdk8安装
Centos中Docker，docker-compose,jdk8安装Date:2018-08-25使用Docker仓库安装Docker1.安装所需软件$sudo yum install -y yum-utils device-mapper-persistent-data lvm22.设置稳定仓库$ sudo yum-config-manager –add-repo http:**//mirrors.aliyun.com/docker-ce/linux/centos/**docke
2020-08-26 16:57:48
1302
原创 区块链一——hash函数，签名和验证
区块链简介——hash函数、签名和验证Author: 赵阳泽Date: 2020-08-26Blockchain是保存持续增长的记录的分布式数据库。基础知识：hash函数性质（假设输入空间很大，而且平均分布）1.抵制碰撞：难以找到不同的输入，映射到同一个输出（但是不代表不会出现）。可防篡改，因为篡改输入，输出改变。2.隐藏：可用于防泄漏。3.hash(任意长度的消息)->固定长度的消息（数字摘要）hash函数常被用于区块链签名：区块链签名过程分为签名和验证，如下：签名：hash函
2020-08-26 16:50:19
1858
原创 virtual box虚拟机配置centos7.5
virtual box虚拟机配置centos7.5Author:赵阳泽date: 2020-07-051.下载和安装 virtual box 5.2.6.exe一路点击默认2.virtual box安装centos7.51.准备centos7.5 iso虚拟镜像2.点击virtual box新建，配置虚拟电脑各个参数[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bXcamWm5-1597467114733)(F:\zyz\工作\每日工作汇报\1597
2020-08-15 12:53:06
310
原创 AI安全之投毒攻击
AI安全之投毒攻击数据投毒定义适应场景：一般解决办法：数据投毒你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。定义主要是在训练数据中加入精心构造的异常数据，破坏原有的训练数据的概率分布，导致模型在某些条件会产生分类或聚类错误[1]。适应场景：由于数据投毒攻击需要攻击者接触训练数据，通常针对在线学习场景（即模型利用在线学习数据不断学习更新模型），或者需要定期重新训练进行模型
2020-08-08 08:21:58
4172
原创 Adversarial Lab配置
Adversarial Lab配置Date: 2020-7-6本篇文档用以记录配置Adversarial Lab环境的过程。配置硬件环境如下图所示：软件环境用的是pycharm pro和Ancaonda3-4.5.11,具体参数如图：一、环境配置1. 编译器配置使用pycharm作为主程序入口，环境interpreter配置使用Anaconda3。具体过程参见链接。2. 虚拟环境配置在终端使用conda create -n py36 python==3.6创建虚拟环境。 使用
2020-07-06 13:54:18
152
原创 服务器配置windows server 2012 r2 standard实战
服务器配置windows server 2012 r2 standard实战Date: 2020-7-4thinkSystem服务器一、u盘启动盘制作1. 下载windows server 2012 r2 standard镜像和u盘启动盘工具rufus-3.1.1pwindows server 2012 r2 standard下载百度网盘链接提取码：ksgc不建议使用UltraISO，选择refus避免了很多问题：启动文件install.wim超过4gb就不能放入u盘启动盘，必须通过
2020-07-04 16:25:23
4040
原创 shell学习——(二)
接着上一章，shell的基本概念介绍完后，具体介绍一些实用和常用的shell内建命令。一、echoecho将参数打印到标准输出，参数之间以一个空格隔开，并以换行符结尾。例如，$ echo "Enter your name: "这里引号可以不用二、printfprintf可以输出简单的字符串，例如printf “Hello, world\n”不同于echo，它不会自动提供一个换行符...
2020-01-21 17:41:18
170
原创 shell学习——(一)
动机shell处理文件目录极为方便，项目需要熟悉linux系统。shell优点1.比编程语言更加高级，简洁地表达复杂的操作。2.可移植性，可以做到脚本无修改就可在不同系统上执行3.可在短时间内完成一个功能强大又好用的脚本目录1.第一行的 #！2.shell的基本元素1.第一行的#！告知unix内核，使用哪个shell来执行所指定的shell脚本。例如，#! /bin/csh2...
2020-01-21 10:38:29
139
原创 git学习（一）
动机1.帮助团队随时管理源代码的改变2.帮助追踪代码的每一点改变。如果代码出错，开发者可以回滚，并且比较之前的代码版本来帮助修复错误，而不受其他成员干扰。目的1.熟悉git的工作机制2.熟悉git常用命令内容1.安装2.概念3.工作原理4.基本命令2.概念版本库(repository)：即一个名为.git的目录，里面的任何文件的修改、...
2019-12-19 16:44:29
101
原创 TF-IDF词向量表示
TF-IDF的英文表示是term frequency（词频），inverse document frequency（逆文件频率）。tf-idf是一个权重，其常被用于信息检索和文本挖掘。此权重是一个统计量度，字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。词频 (term frequency, TF)指的是某一个给定的词语在该文件中出现的次数。这个...
2019-12-12 17:52:19
3059
原创 无监督学习-数学前奏（三）旋转矩阵
动机一直不理解“矩阵就是变换”这句话，因此通过学习旋转矩阵来深入理解这句名言。目的1.熟悉二维矩阵变换的详细推导2.了解三维矩阵的结论二维矩阵：如图，在平面坐标系中，向量OP(x, y),沿着逆时针方向旋转theta角，得到向量OP'(x', y'),设向量长度为r。假如OP沿着顺时针旋转，有两种思路1.逆时针旋转就是将theta变为负2.使用逆...
2019-12-08 19:48:52
236
原创 无监督学习-数学前奏（一）协方差矩阵
动机：由于组内缺少数据集标签，而又没时间对数据进行标签，因此希望通过无监督学习方法，对数据进行分类。进而，通过对自动分类后的数据集进行采样标记，进而得到整体的数据标签。目前了解无监督学习，一般先了解K-means法和PCA，这涉及众多的数学知识，很多都已经不是很清晰了，此篇针对PCA中关于协方差部分，以此记录。目的：1.熟悉协方差,相关系数的出现的原因2.熟悉协方差，相关系数公式...
2019-12-02 16:21:42
376
原创 monkeyrunner+pycharm进行手机app自动点击截图
动机由于要用AI做手机app的自动化测试开发，因此数据集是必不可少的。经过调研，利用monkeyrunner可以进行自动点击手机app，同时达到自动截图的目的。目的简要记录步骤以便后续使用一、环境搭建使用monkeyrunner需要安装Android studio，JDK，python，我用的是Java8.基本都是一键点击，值得注意的是要在环境变量中进行配置，网上有大量参...
2019-11-26 17:43:24
865
原创 如何将原始数据转化为词向量
动机研究文本分类时候，不清楚如何将文本转化为向量的过程。因此无法针对自己的数据集进行构建词向量。目的熟悉tf.data.Dataset函数，熟悉文本分类数据集构建的过程一、加载环境二、将文本加载到数据中1.将相同类型的数据，下载到不同的文本文件（如何使用python将mysql同一类型异常数据每行下载到一个txt文本中对应行。对每一个类型的异常数据这样操作。）2....
2019-11-21 17:57:51
2797
原创 python语言程序设计基础笔记（三）从题目到方案
动机在学习数据结构的过程中，常常有种变戏法一样从帽子里面拿出兔子的感觉，即不知道怎样想到解决方案的，不会解题。有时会产生一些解题经验，但是因为没有系统学习过，也没有看过专业的资料，不敢确定自己的总结对不对。目的系统学习如何解题步骤，在模仿和实践中应用，达到熟悉解题步骤并提升计算机思维的目的。另外将这些步骤应用于生活、学习以及日常问题也是一个不错的选择。内容参考 熟悉题目...
2019-06-12 12:05:43
231
转载 python语言程序设计基础笔记（三）计算机思维
计算机思维计算机思维的本质是抽象和自动化。计算机思维特征：设计 构造在程序设计范畴，计算思维主要反映在理解问题的计算特性、将计算特性抽象为计算问题、通过程序设计语言实现问题的自动求解等几个方面。面向过程POP（protocol-oriented programming）一、自顶向下自顶向下：用于解决复杂问题，其基本思想是以一个总问题开始，试图把它表达为很多小问题组成的解...
2019-05-29 16:47:29
1542
转载 python语言程序设计基础笔记（二）程序基本结构
程序流程图示例程序基本结构程序基本结构：顺序结构 分支结构 循环结构这些结构都只有一个输入，一个输出。顺序与分支结构展示如图循环结构是根据条件判断结果向后反复执行的一种运行方式。根据循环体触发条件不同，分为条件循环和遍历循环图示如下...
2019-05-29 10:38:01
663
原创 python语言程序设计基础笔记（一）编写程序基本逻辑
5.25程序的基本编写方法，IPO。重要确定问题计算部分１．分析问题计算部分，从不同角度分析问题会产生不同的程序２．划分边界，精确定义或描述问题的功能边界。计算划分为IPO，输入输出以及数据处理的要求３．设计算法，完成计算部分的核心处理办法４．编写程序５．调试测试６．升级维护程序编写模板,example１用户输入：input()获得用户输入运算部分：根据算法...
2019-05-26 10:01:29
459
转载 计算机视觉教程核心版(十)特征可视化
Visualizing what ConvNets learnSeveral approaches for understanding and visualizing Convolutional Networks have been developed in the literature, partly as a response the common criticism that the l...
2019-05-20 09:05:34
458
翻译 计算机视觉教程核心版(八)卷积神经网络各种层
本节主要介绍卷积神经网络目录概述卷积神经网络中的层 卷积层 池化层 全连接层 将全连接层转化为卷积层 卷积神经网络结构介绍层的模式概述卷积神经网络非常相似于之前的一般神经网络。它们都由含有可学习的参数（权重和偏置）的神经元组成。每一个神经元接受一些输入，执行点乘并在之后跟随这一个非线性函数。整个神经网络依然表达着一个可微分的得分函...
2019-05-20 08:23:09
1108
翻译 计算机视觉教程核心版(九)迁移学习
迁移学习实际中很少有人从头开始训练一个神经网络，因为大部分任务都缺少足够的数据量。常用的方法是预训练一个基于非常大的数据集上的神经网络，之后将这个神经网络要么作为任务的初始化，要么作为任务的一个特征提取器。三种主要的迁移学习系列列出如下：ConvNet作为特征提取器。取一个在ImageNet上训练过的分类神经网络，移除最后的全连接层，剩下的部分作为自定义数据集的特征提取器。 微调Conv...
2019-05-17 10:00:09
396
原创 计算机视觉教程核心版(三)优化下篇优化方法
本节承接优化中篇在前面的章节中我们已经介绍了最简单的优化方法，随机梯度下降法。如下代码和图示例左边代码中仅仅需要两行代码就可以实现SGD优化方法。右边的图展示了含有两个参数的损失函数等高线的图，不同颜色代表不同的损失函数，中间红色表示最小梯度。SGD问题SGD的问题在一个方向很敏感（下降较快）在其他方向效果次之，在高维方面更加明显。2.SGD的另一个问题是由局部最小值点或...
2019-05-13 16:09:06
371
原创 计算机视觉教程核心版(七)神经网络动态学习参数调整
前面学习了如何建立神经网络网络连接，数据预处理和损失函数，优化方法。下面介绍学习的过程即，可视化学习过程并在训练中调试这些参数。内容训练之前：理智检查技巧监视训练过程训练之前：理智检查技巧寻找正确的可能的损失。当你用小的参数初始化时候，确保你得到你期望的损失值。在设置正则化为零的基础上，单独检测损失函数。例如，在CIFAR10中，使用softmax分类器进行分类，我...
2019-05-13 10:00:01
645
翻译 python教程（十二）类
类介绍Python作用域和命名空间 作用域和命名空间示例 初探类 类定义语法 类对象 实例对象 方法对象 类和实例变量 补充说明 继承 多重继承 私有变量介绍面向对象最重要的概念就是类（Class）和实例（Instance），必须牢记类是抽象的模板，比如Student类，而实例是根据类创建出来的一...
2019-05-12 11:08:07
197
翻译 python教程（十二）错误和异常
错误和异常目录 语法错误 异常错误 处理异常 抛出异常 自定义异常 语法错误语法错误又称解析错误，可能是你在学习Python时最容易遇到的错误：while True print('Hello World')File "<stdin>", line 1 while True print('H...
2019-05-11 22:38:15
138
翻译 计算机视觉教程核心版(六)数据预处理、初始化和分类与回归
数据预处理、权重初始化和损失函数warming up数据预处理权重初始化warming up在之间的章节中。我们介绍了神经元的模型，其计算点乘后跟着一个非线性化，而神经元排列成层。合并起来，不同的层数、每层不同神经元的个数以及不同的激活函数定义了新型的得分函数（从线性映射扩展得来）。在本节中，我们将讨论其他针对数据预处理、权重初始化和损失函数的设计选择。在实际中并不常用标准化方差，PCA...
2019-05-11 19:15:38
662
翻译 python教程（十一）输入输出、读写文件
输入输出输入输出介绍格式化字符串文字字符串的format()方法读写文件文件对象的方法使用[json](https://docs.python.org/zh-cn/3/library/json.html#module-json)保存数据结构化数据输入输出介绍有几种方法可以显示程序的输出；数据可以以人类可读的形式打印出来，或者写入文件以供将来使用。##更漂亮的输出格式使用格式字字符串字面值...
2019-05-09 10:18:42
387
翻译 计算机视觉教程核心版(五)神经网络结构基础介绍
全连接神经网络结构基础介绍全连接层级组织前向传播计算表现力如何设置层数和每层神经元个数减少过拟合：正则化举例全连接层级组织神经网络被建模为一系列相互连接单不循环的神经元的集合。即一些神经元的输出可以变为其他神经元的输入。对于常规神经元，最普通的层类型是全连接神经网络，其相互连接的两个层完全成对连接。但如果模型仅仅一层网络，则没有连接。下图展示两个拓扑图，用于表示全连接神经元的堆积。图片来源...
2019-05-08 20:42:55
381
原创 计算机视觉教程核心版(四)激活函数
目录基础神经网络常用非线性函数基础神经网络在线性分类中，我们不同视觉类别的得分函数是通过,W是权重矩阵，x是一个输入列向量。在神经网络中，我们计算的是，如图所示结构。函数max(0，x)是一个非线性化函数，其作用于输入的每个像素。像这样的非线性化函数有许多，但这个是一个常用的选择，其将所有的输入小于零的值归零，其他不变。如上图，假设输入shape为[1*3072]，最...
2019-05-07 14:52:44
296
翻译 计算机视觉教程核心版(三)优化中篇反向传播展示
目录介绍简单的表达式模块化反向传播中的模式多个分支梯度相加介绍在本节中，我们将对反向传播（这是一种通过递归的应用链式法则计算梯度表达式的方法）进行直观而专业的理解。理解反向传播的过程以及其中的细节对我们理解，有效开发、设计和调试神经网络至关重要。问题陈述本节核心问题是：给定一些函数f(x)，x是输入向量。我们着力于计算f在x的梯度。动机回想最初我们...
2019-05-06 16:47:35
231
原创 用于深度学习的矩阵微积分
深度学习需要的矩阵微积分动机近日在学习cs231n的向量化梯度求法时候，无法理解利用雅克比行列式求梯度，于是补充大学关于各种数据类型微积分的知识。目的学习深度学习需要的矩阵微积分知识，达到能理解Tensorflow中对于向量化梯度具体代码求解过程。内容 介绍 回顾标量求导规则 向量微积分和偏导数 矩阵微积分 介绍我们已经在学校中...
2019-05-06 15:56:51
553
转载 python教程（十）模块
模块目录简介 以脚本方式执行模块 模块搜索路径 标准模块dir()函数包 从包中导入* 子包参考 简介如果你从Python解释器退出并再次进入，之前的定义（函数和变量）都会丢失。因此，如果你想编写一个稍长些的程序，最好使用文本编辑器为解释器准备输入并将该文件作为输入运行。这被称作编写脚本。随着程序变得越来越长，你或许...
2019-05-05 15:24:05
159
翻译 计算机视觉教程核心版(三)优化上篇梯度下降
目录优化介绍可视化损失函数优化方法计算梯度和梯度下降总结优化介绍前面两节主要介绍了图像分类任务的两个关键成分得分函数：将原生像素映射到类得分 损失函数：基于产生的得分与训练数据集真是标签的匹配程度衡量参数集合的质量。（例如softmax和SVM）。我们从前面已经看到，预测越精准的参数集同样有着更低的损失。我们将引进第三个也是最后一个关键组成成分：...
2019-05-04 08:47:13
320
转载 python教程（九）编码风格
PYTHON编码风格现在你将要写更长，更复杂的Python代码，是时候讨论一下代码风格。大多数语言都能使用不同的风格编写（或更简洁，格式化的）；有些比其他的更具有可读性。能让其他人轻松阅读你的代码总是一个好主意，采用一种好的编码风格对此有很大帮助。对于Python，PEP 8已经成为大多数项目所遵循的风格指南；它促进了一种非常易读且令人赏心悦目的编码风格。每个Python开发人员都应该...
2019-05-02 15:39:01
176
转载 python教程（八）函数文档和标注
文档字符串以下是有关文档字符串的内容和格式的一些约定。第一行应该是对象目的的简要概述。为简洁起见，它不应显式声明对象的名称或类型，因为这些可通过其他方式获得（除非名称恰好是描述函数操作的动词）。这一行应以大写字母开头，以句点结尾。如果文档字符串中有更多行，则第二行应为空白，从而在视觉上将摘要与其余描述分开。后面几行应该是一个或多个段落，描述对象的调用约定，它的副作用等。Py...
2019-05-02 15:24:06
393
转载 python教程（七）函数参数
函数参数位置参数（必须参数）默认参数关键字参数任意参数列表解包参数列表位置参数（必须参数）必须传入的参数在给函数传参数时，按照顺序，依次传值。先写一个下面的函数：def power(m, n): result=1 while n>0: n=n-1 result=result*m ret...
2019-05-02 14:12:23
184
tensorflow-1.8.0-cp36-cp36m-win_amd64
2018-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人