- 综合排序
- 最热优先
- 最新优先
- 来自专栏小小程序员——DATA
神经网络 模型表示2
神经网络 模型表示2 使用向量化的方法会使得计算更为简便。 以上面的神经网络为例，试着计算第二层的值： 我们令 {{z}^{\left( 2 \right)}}={{\theta }^{\left( 1 \right)}}x ，则 {{a}^{\left( Logistic Regression的方式输出 h_\theta(x) 其实神经网络就像是logistic regression，只不过我们把logistic regression中的输入向量 \left {2}^{\left( 2 \right)}a_{2}^{\left( 2 \right)}+\Theta_{3}^{\left( 2 \right)}a_{3}^{\left( 2 \right)} 这就是神经网络相比于逻辑回归和线性回归的优势。
38310编辑于 2023-12-03 - 来自专栏人工智能前沿讲习
Mars说光场（2）— 光场与人眼立体成像机理
《Mars说光场》系列文章目前已有5篇，包括： 《Mars说光场（1）— 为何巨头纷纷布局光场技术》； 《Mars说光场（2）— 光场与人眼立体成像机理》； 《Mars说光场（3）— 光场采集》； 《Mars 一 人眼的立体成像机理 1.1 心理感知 众所周知，人眼能感知到远近深度信息的一个重要方面是因为我们拥有两只眼睛，从而可以从双目视差中判断物体深度。然而双目视差并不是我们感知三维世界的唯一途径。 图 2. 生理视觉信息（双目视差与双目汇聚） （2）移动视差（motion parallax）：如图3所示，当远近不同的物体在空间中移动时，在人眼中产生的位移会不同。 由于缺乏移动视差和聚焦模糊，观看3D电影时双目视差告诉大脑看到了3D场景，而移动视差和聚焦模糊又告诉大脑看到了2D场景，大脑会在3D和2D这两种状态之间不停的切换。 2D平面显示只能提供心理视觉信息来“欺骗”大脑产生三维立体视觉，属于第1等级。眼镜式3D电影不仅能提供心理视觉信息，还能提供部分生理视觉信息（双目视差），属于第2等级。
1.6K10发布于 2020-05-13 - 来自专栏JNing的专栏
【tensorflow】TFRecord读写机理
2.写的时候，通过for循环（例如：img_path, cls_label = img_paths[i], cls_labels[I]）往tf.train.Example里面喂feature。
80110发布于 2020-03-17 - 来自专栏十二的树洞
人工神经网络学习笔记（2）
如何让网络可以学习 上一篇文章中的神经网络还没有学习能力，这好比如说该网络只接收外部输入并输出结果，却没有反馈机制没有对结果进行正确性分析，让我们以小明与老师之间的对话来比喻这种情况： 老师：1+1=？ 小明：6 老师：1+2=？ 小明：2 … 可以发现，当小明给出答案后老师并没有给于他反馈。因此小明可能某一次猜中了正确答案，但只是凑巧而已，他不具备学习能力。 我们的神经网络也需要具备这样的学习能力。 也就是说，当网络输出错误的结果时要有一个改变下一次输出的机制。想要改变输出，可以改变哪些量呢？ 这太麻烦了，试想那么多的神经元每一个都不同的激活函数会对运算造成大麻烦，将无法采用简洁的矩阵运算。 因此，改变链接权重会是一个好办法。
53410编辑于 2021-12-22 - 来自专栏blog-技术博客
深度学习_1_神经网络_2_深度神经网络
深度神经网络------>卷积神经网络 1，卷积神经网络与简单神经网络的比较 全连接网络的缺点： 参数太多，图片过大时，计算太多 没有利用像素之间位置信息 层数限制 2，卷积神经网络发展史 ? 3，卷积神经网络结构 ? 神经网络：输入层，隐藏层，输出层 卷积神经网络：隐藏层分为 卷积层过滤器：通过在原始图像上平移来提取特征，定义过滤器观察窗口（大小，步长）单位为像素 移动越过图片大小，例如步长过长， :【None,14,14,32】输出：【None，14,14,64】（64个过滤器 ，每层都是32个14*14相加） 激活：输出：【None，14,14,64】 池化：2*2 strides=2 , ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME") # 4,全连接层 with tf.variable_scope("
82150发布于 2020-05-08 - 来自专栏Golang语言社区
channel机理及调度理解
libtask库的channel的数据结构如下： 1struct Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task;
56130发布于 2018-07-26 - 来自专栏Lauren的FPGA
学习笔记：神经元模型（2）
神经元模型的另一个重要部分是激活函数，激活函数的本质是向神经网络引入非线性因素，使得神经网络可以拟合各种曲线。 因为激活函数是非线性函数，从而，神经网络的输出不再是输入的线性组合，而是几乎可以逼近任意函数，也就增强了神经网络的表达能力。 ? 这里我们给出三种常用的激活函数，如下图所示。 ?
58920发布于 2020-03-12 - 来自专栏阿泽的学习笔记
【图神经网络】GCN-2（ChebyNet）
Introduction 本文对第一代GCN（《Spectral Networks and Deep Locally Connected Networks on Graphs》）存在的1.计算复杂度高，2. 可复现代码 三、Model 以下内容对入门者需要一些前置知识，可以去阅读一下本号图神经网络前面的内容。 3.4 图池化 图粗化后，将该粗化图添加fake节点使得粗化图中每个顶点都有2个children，构成一个二叉树，将二叉树摊平构成一维信号（上图右部分下），然后对该信号采样即可表示为一次图pooling 标记着带k特征map的graph卷积layer，所有的FCk，Ck，GCk后面都跟着一个ReLU激活函数max(x,0)，最后一个layer是softmax regression，损失能量E是带L2正则化的 是pixel i的2D坐标。 Table 1展示了我们在MNIST上与CNN有类似的效果。 ?
1.4K30发布于 2021-04-29 - 来自专栏Golang语言社区
channel机理及调度理解
libtask库的channel的数据结构如下： 1struct Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task;
47130发布于 2018-07-26 - 来自专栏前行的CVer
图神经网络2-应用:SketchGCN
首先将输入的草图根据笔画转化为graph，将笔画变成密集的N个点（图中仅画出部分点作示意），同一笔画中的点是有边相连的，不同笔画中的点是不相连的，每个点存储它的绝对坐标（即节点特征是二维的），将节点特征（2*
72610发布于 2021-03-04 - 来自专栏机器学习和数学
卷积神经网络入门教程（2）
BP反向传播算法是对全连接神经网络的一种训练过程，他其实就是梯度下降+链式求导法则组成。2.一般的CNN也包括全连接层，全连接层前面的卷积层，下采样层都是直接对像素进行操作（有没有很熟悉？ 神经元里面写的f1，f2, f3, f4, f5 这些是激活函数，也就是输入和权重相乘相加（相爱相杀）之后得到的值在作为函数f的输入，其他同理。 ? 图1（如果显示不完全，请点开看大图） Step 1：由输入x1，x2组成的输入向量和权重w1，w2相乘得到的值作为f1的输入，计算结果y1作为Hidden 2 的第一个输入向量。 图2-6 Step 2: 图7是根据ｙ的值计算损失，ｚ是真实值，真实值和预测值之差就得到我们的损失。 ? 图8-12 Step 4：Step 4开始利用梯度下降法计算新的权重参数，计算新的参数的过程就是神经网络的训练过程，神经网络的学习过程就是计算参数的过程，当全部参数都更新完的时候，神经网络就完成了一次训练
92240发布于 2018-04-11 - 来自专栏公共互联网反网络钓鱼（APCN）
Tycoon2FA 设备码钓鱼攻击 Microsoft 365 的机理与闭环防御
当前学术界与产业界对 OAuth 授权码钓鱼、中间人钓鱼的研究相对充分，但针对设备码流程定向钓鱼的机理、检测规则与防御配置缺乏系统性论述。 本文以 Tycoon2FA 最新攻击样本为研究对象，遵循 “威胁态势 — 协议机理 — 攻击链路 — 检测实现 — 防御体系” 的学术框架，严格依托公开披露信息，确保技术准确、论据闭环、工程可用，为企业身份安全治理提供理论支撑与实践方案 2 威胁背景与 Tycoon2FA 工具包演进2.1 钓鱼即服务（PhaaS）产业化趋势钓鱼即服务（Phishing‑as‑a‑Service, PhaaS）大幅降低攻击门槛，攻击者无需掌握技术细节，即可通过付费使用全套攻击链路 3 OAuth 2.0 设备码流程原理与攻击滥用机理3.1 标准设备码流程（RFC 8628）设备码流程是 OAuth 2.0 为智能电视、游戏机、物联网终端等无完整输入能力设备设计的授权模式，核心流程如下 云身份安全已进入协议攻防时代，Tycoon2FA 代表的设备码钓鱼将长期存在并持续迭代。
34010编辑于 2026-05-20 - 来自专栏公共互联网反网络钓鱼（APCN）
基于Mamba 2FA套件的AiTM攻击机理与防御架构研究
本文深入剖析了Mamba 2FA的技术架构、流量代理逻辑及反检测策略，揭示了其利用合法云基础设施构建动态攻击链的运作机理。 现有研究多集中于静态凭据窃取的防御，对于动态会话劫持的深层机理及针对性防御策略探讨尚显不足。许多组织误以为部署了MFA即可高枕无忧，忽视了会话令牌管理的风险。 2 Mamba 2FA套件架构与攻击链路解析Mamba 2FA并非单一脚本，而是一个包含前端诱饵、后端代理、控制面板及基础设施管理模块的完整生态系统。 Mamba 2FA的高级之处在于其动态内容修改能力。 本文通过深入剖析Mamba 2FA的架构设计与运作机理，揭示了其在基础设施弹性、流量代理效率及反检测能力上的技术特征，并通过代码复现验证了攻击的可行性。
39010编辑于 2026-02-27 - 来自专栏公共互联网反网络钓鱼（APCN）
React2Shell 漏洞自动化凭证窃取攻击机理与防御研究
2026 年公开攻击数据显示，基于 React2Shell 的自动化凭证窃取活动已呈规模化爆发，黑客组织 UAT-10608 借助自动化扫描、多阶段恶意脚本投递与集中化 C2 面板，在短时间内入侵 766 2 React2Shell 漏洞与自动化攻击整体态势2.1 漏洞核心属性与影响范围React2Shell（CVE-2025-55182）是未经身份验证的远程代码执行漏洞，源于 React Server 3 React2Shell 漏洞技术机理与攻击全流程3.1 漏洞核心成因：不安全反序列化与 Thenable 劫持React2Shell 漏洞本质是RSC Flight 协议反序列化过程中的恶意对象劫持 ，核心触发机理如下：Flight 协议用于 RSC 前后端数据传输，采用自定义序列化 / 反序列化机制传递组件状态；协议在解析载荷时，未对传入对象做安全校验，允许构造包含then属性的恶意对象（Thenable 4 面向 React2Shell 攻击的智能检测模型与代码实现4.1 检测模型总体框架针对 React2Shell 攻击协议层入侵、无文件载荷、自动化收割特性，构建四维协同检测模型：流量层：检测 RSC
41910编辑于 2026-04-08 - 来自专栏Michael阿明学习之路
01.神经网络和深度学习 W2.神经网络基础
2. 逻辑回归 ? 3. 逻辑回归损失函数 image.png 5. 导数 函数在某一点的斜率，在不同的点，斜率可能是不同的。 6. 计算图导数计算 链式求导法则： ? 7. -week2.html J=0; dw1=0; dw2=0; db=0; for i = 1 to m z(i) = wx(i)+b; a(i) = sigmoid(z(i)); += x2(i)dz(i); db += dz(i); // 求平均值 J /= m; dw1 /= m; dw2 /= m; db /= m; // 更新参数 w, b w = w [[101 102 103 104]] 例2 A = np.array([[1, 2, 3], [4, 5, 6]]) B = np.array([100, 200, 300 总是使用 nx1 维矩阵（列向量），或者 1xn 维矩阵（行向量） 为了确保所需要的维数时，不要羞于 reshape 操作 作业 01.神经网络和深度学习 W2.神经网络基础（作业 - 逻辑回归 图片识别
72410发布于 2021-02-19 - 来自专栏公共互联网反网络钓鱼（APCN）
Permit2 恶意签名钓鱼致 USDC 失窃机理与分层防御技术研究
Phemex 披露的 USDC 失窃案件，是典型依托恶意 Permit2 交易实现代币窃取的实战案例，攻击者以仿冒官方 DEX 网站为载体，诱导用户签署无限额度链下签名，借 Permit2 合约接口划转用户账户内 本文以 Phemex 新闻记载的 Permit2 钓鱼盗币事件为实证样本，梳理攻击全链路实施步骤，拆解 Permit2 底层合约逻辑与攻击技术原理，引入反网络钓鱼技术专家芦笛的研判观点，从协议设计缺陷、 Uniswap 团队 2022 年上线 Permit2 统一授权合约，基于 EIP-712、EIP-2612 协议优化传统 ERC20 Approve 双步交互逻辑，用户一次性授权代币额度至 Permit2 2 Phemex 报道 USDC Permit2 钓鱼失窃案件全貌与 Permit2 基础技术原理2.1 Phemex 案件完整攻击过程还原根据 Phemex 官网新闻披露信息，本次失窃受害用户为一名高频参与 3.1 Permit2 协议架构层面缺陷Permit2 集中式授权架构将全币种权限收拢至单一合约，形成单点安全风险，传统分散式单代币 Approve 漏洞仅影响单个币种，Permit2 漏洞可一次性劫持用户全部代币资产
65910编辑于 2026-06-04 - 来自专栏杂七杂八
神经网络训练细节part2（上）
回顾 训练神经网络的过程有四步组成，重复这四个步骤就可以得到完整的训练流程 需要有一个完整的数据集图像和标签，从数据集中取出一小批样本 通过网络做前向传播得到损失，考察分类效果 然后通过反向传播来得到每一个权重的梯度 Adagrad # 假设有梯度和参数向量x cache += dx**2 x += - learning_rate * dx / (np.sqrt(cache) + eps) RMSprop cache = decay_rate * cache + (1 - decay_rate) * dx**2 x += - learning_rate * dx / (np.sqrt(cache) + eps) Adam m = beta1*m + (1-beta1)*dx v = beta2*v + (1-beta2)*(dx**2) x += - learning_rate * m / (np.sqrt(v
63020发布于 2018-08-30 - 来自专栏Mybatis学习
Tensorflow2——卷积神经网络的搭建
Tensorflow2卷积神经网络的搭建 1、卷积神经网络 Fasion_minst识别卷积神经网络搭建代码 2、卫星图像识别卷积综合实例 1） 图片的数据读取部分 2）读取和解码图片 3）图片预处理 1、卷积神经网络 CNN最大的特点就是在于卷积的权值共享，利用空间结构减少学习的参数量，防止过拟合的同时减少计算量。 在卷积神经网络中，第一个卷积层直接接受图像像素级的输入，卷积之后传给后面的网络，每一层的卷积操作相当于滤波器，对图像进行特征提取，原则上可保证尺度，平移和旋转不变性。 卷积神经网络的好处在于，参数数量只与滤波器数目和卷积核大小有关，与输入图像尺寸无关。总结一下CNN的要点：局部连接，权值共享，池化（降采样）。 这个过程表现为feature map长宽减小，channel增加，所以卷积神经网络的卷积核数目逐层增加或不变 Fasion_minst识别卷积神经网络搭建代码 import tensorflow as
1.6K20发布于 2021-06-21 - 来自专栏MelonTeam专栏
跬步神经网络2-C++简单实现
导语 不考虑性能，用c++简单实现NN网络，通过训练预测 XOR、AND、OR 目录 跬步神经网络1-基本模型解析 跬步神经网络2-C++简单实现 跬步神经网络3-MNIST手写库初步识别 跬步1 了解了bp神经网络的原理，这次动手实践。 Session 代表一套NN网络，可以配置激活函数、损失函数、数据填充方法等 Layer 代表网络中的一层，包含一个或者多个Unit Unit 代表神经元，实现了 UpdateO(更新输出值) 建立 2,2,1的网络，随机填充 2. 使用相同的网络、相同的参数（lr=0.013），设置不同的激活函数，开始训练 XOR 3. 测试2 - (LogicFitting::run1) : 1.
96380发布于 2018-01-04 - 来自专栏机器学习/数据可视化
图神经网络2-图表征学习
下面介绍3大图表征学习方法：传统图嵌入方法现代图嵌入方法图神经网络传统图嵌入方法图嵌入的2个目标：重建原始图结构和支持图推理。 采用拉普拉斯特征映射LE的思想保留一阶接近度M-NMF：模块化非负矩阵因子化模型（2）保留图属性的图表征学习重点：保留所有类型图的传递性和有符号图的结构平衡性带有侧面信息的图表征学习侧面信息可以分为两类 （2）异质图表征学习异质图由不同类型的节点和边组成。保留高级信息的图表征学习高级信息指的是特征任务中的监督或者伪监督信息。 （2）异常检测图中的异常检测旨在推断结构上的不一致。（3）图对齐图对齐的目标是建立两个图中节点之间的关系，即预测两个图之间的锚链接。 图神经网络基于深度学习方法分析图数据的挑战：图的不规则结构图的异质性和多样性大规模图的出现学科交叉与融合与图相关的神经网络结构：图循环神经网络Graph RNN图卷积神经网络GCN图自编码器GAE图强化学习
1.3K00编辑于 2023-11-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号