- 综合排序
- 最热优先
- 最新优先
- 来自专栏学无止境
NumPy 超详细教程（3）：ndarray 的内部机理及高级迭代
系列文章地址 NumPy 最详细教程（1）：NumPy 数组 NumPy 超详细教程（2）：数据类型 NumPy 超详细教程（3）：ndarray 的内部机理及高级迭代 ---- ndarray 对象的内部机理 在前面的内容中，我们已经详细讲述了 ndarray 的使用，在本章的开始部分，我们来聊一聊 ndarray 的内部机理，以便更好的理解后续的内容。 示例 ls = [[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], [[13, 14, 15, 16], [17, 18, 19, 20], [ <1> 4 <3> 5 <5> 这里索引之所以是这样的顺序，因为我们选择的是列索引（f_index）。 (b) print(type(a.flat)) 输出： 1 2 3 4 5 6 <class 'numpy.flatiter'> ----
1.9K20发布于 2019-04-09 - 来自专栏JNing的专栏
【tensorflow】TFRecord读写机理
3.最后的数据会在tfrecord中形成一个二维list： [ { [img_path], [img_encode], [cls_label], [pts_label] } { [img_path
74010发布于 2020-03-17 - 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;
52430发布于 2018-07-26 - 来自专栏数据派THU
3D图解神经网络
也就是说，先给Unity版3D网络提供一个搭建思路，提前准备好实现展示卷积计算的方法、特征图的形状、边绑定的效果等问题。 它的节点编辑器长这样： 然后，就可以在Unity上搭建3D神经网络了。 设计后的网络形状，大致长这样： 然后，就是从模型的TensorFlow代码中，生成对应的3D神经网络图像。 目前，也已经有人像上面那个神经网络模型一样，做出了3D的可视化神经网络: 这个项目，同样用到了边绑定、光线追踪等技术，与特征提取、微调和归一化相结合，将神经网络可视化。 大致的处理过程是这样的： 如果对于这类3D神经网络可视化感兴趣，可以在文末找到对应的开源项目地址。 作者介绍： Stefan Sietzen，现居维也纳，此前曾是个3D视觉方向的自由职业者。 目前，他在维也纳工业大学读硕，对视觉计算（visual computing）非常感兴趣，这个3D神经网络，就是他在硕士期间做的项目之一。
89620编辑于 2022-10-09 - 来自专栏公共互联网反网络钓鱼（APCN）
假冒 TronLink 的 MV3 扩展钓鱼攻击机理与 Web3 钱包安全防御
本文以该事件为核心实证样本，系统解析 MV3 架构下 Web3 钱包恶意扩展的分发诱导、技术实现、凭据窃取与对抗逃逸全链路机理，构建覆盖扩展来源校验、静态审计、运行时监测、敏感操作防护的闭环防御体系，提供 Unicode 混淆检测、远程 iframe 识别、Manifest 权限审计、表单劫持拦截等可工程化代码示例，形成 “事件复盘 — 机理剖析 — 风险评估 — 防御实现 — 治理建议” 的完整论证闭环 当前研究多集中于传统钓鱼、智能合约漏洞或交易所安全，针对 MV3 架构下 Web3 钱包恶意扩展的全生命周期机理、检测方法与防御体系的系统性研究仍不足。 3 假冒 TronLink 扩展核心技术机理分析3.1 Manifest V3 架构适配与逃逸优势本次恶意扩展基于 Chrome Manifest V3 开发，具备显著逃逸优势：使用 Service Worker 本文通过事件复盘、技术机理拆解、风险分析、防御框架构建与代码实现，形成完整论证闭环：假冒钱包扩展的核心竞争力在于视觉欺骗 + 逻辑外置 + 行为逃逸，对应的有效防御路径是名称混淆检测 + 远程界面拦截
15810编辑于 2026-05-13 - 来自专栏算法之名
3D卷积神经网络
首先，我们先参考Tensorflow深度学习算法整理 中卷积神经网络回忆一下2D卷积。 3D卷积如上图所示，3D卷积输入多了深度C这个维度，输入是高度H*宽度W*深度C的三维矩阵。 视频分类 虽然视频本质上是连续帧的二维图像，但是如果将一段视频切片当做一个整体，将其数据升级到三维，三维卷积神经网络在视频方面应用最广泛的就是进行视频分类。 与二维神经网络相同，三维神经网络也包括输入层，卷积层，池化层，全连接层，损失函数层等网络层。 光流(optical flow)： 通过时序上相邻帧计算像素移动的方向和速度。 input—>H1： 神经网络的输入为7张大小为60*40的连续帧(每帧都是单通道灰度图)，7张帧通过事先设定硬核(hardwired kernels，一种编码方式，注意不是3D卷积核)获得5种不同特征 （典型神经网。） C2—>S3： 2x2的2D池化，下采样。下采样之后的特征maps数量保持不变，因此S3层的特征maps数量为：23*2。
3.9K40编辑于 2022-05-06 - 来自专栏十二的树洞
人工神经网络学习笔记（3）
**暴力枚举：**对于一个三层的神经网络，每层有3个神经元结点，有两个3 × 3 3\times 33×3的链接权重矩阵，共有18个权重值。 为了避免上述情况，我们应从选择不同的其实位置对神经网络进行多次训练，以确保其并不总是终止于错误的地方。而不同的其实位置意味着不同的链接权重。 quality=80&size=b9999_10000&sec=1559636048297&di=a69a0ac50c0c4c39c6290d14fe697429&imgtype=0&src=http%3A %2F%2Fimg.ph.126.net%2FwdlmGd6Cl2EyG0Bp-xEihQ%3D%3D%2F1016406140918957318.jpg)] image.png 上述表达式表示了当权重
46230编辑于 2021-12-22 - 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;
43330发布于 2018-07-26 - 来自专栏AustinDatabases
PostgresQL MVCC 机理与 还得学习
2 我们查看当前的事务号是多少 Select TXID_CURRENT(); 646 3 我们在一个事务中开始下面的操作 Begin 然后插入记录，查看当前的事务号，并查看当前 test 表中，隐藏的四个字段值 UNDO 空间不够用的情况，同时回滚的速度也是很快，但这样的设计也会产生PG 独有的表膨胀需要vacuum 来进行废弃行的清理，并且事务比较大的情况，则发生表膨胀的情况会更严重，所以从礼拜 1 到 礼拜 3
83630发布于 2019-09-05 - 来自专栏公共互联网反网络钓鱼（APCN）
Google 广告场景下 Uniswap 钓鱼攻击机理与 Web3 防御体系研究
，日均交易额与独立访问量长期位居行业前列，其安全状况直接影响 Web3 生态整体信任基础。 本文以 GoPlus 最新预警事件为核心样本，遵循 “攻击机理 — 技术实现 — 危害分析 — 防御体系” 的研究路径，结合代码示例与实践案例，形成完整论证闭环，弥补该领域研究空白，为 Web3 生态安全建设提供理论支撑与实践参考 反网络钓鱼技术专家芦笛强调，Google 广告钓鱼的本质是信任迁移攻击，将用户对搜索引擎平台的信任转移至恶意站点，配合 Web3 签名机制的不可逆特性，形成高危害、难追溯、易复制的攻击模式，已成为 Web3 与传统 Web 钓鱼不同，Web3 钓鱼攻击收益直接、变现快速、追踪难度大，进一步刺激黑产投入。 3 攻击全链路与核心技术机理3.1 完整攻击流程关键词投放：攻击者在 Google Ads 后台购买 “Uniswap”“Uniswap official”“Uniswap swap” 等高热度关键词，
12910编辑于 2026-05-24 - 来自专栏网络信息安全
熊猫烧香（中）病毒释放机理
熊猫烧香（中）病毒释放机理 1、sub_40277C子函数 2、sub_405684子函数 3、sub_403ED4子函数 4、sub_4057A4子函数 5.分析sub_4057A4后续删除功能 6. ，这3个call是熊猫烧香病毒最重要的功能 第三步，查看cub_408024neirong 在这个函数最开始的位置我没看到了，将84h的值赋值给ecx，84h表示循环次数。 选中按下“R” 5C代表斜杠（\），2F代表反斜杠（/），3A代表冒号（：）。 小结，该循环是将病毒所在完整的路径从后向前检索，直到遇到斜杠（\）、反斜杠（/）、冒号（：）结束。 push 1 call Sleep call DeleteFileA 这里看到一个未知函数sub_4040CC，它的参数是[ebp+var_3C4]，事实上3C4就是文件的路径。 mov eax, dword ptr ss:[ebp-0x3CC] lea edx, dword ptr ss:[ebp-0x4] call 004078E0 首先它是将EBP-3CC赋值给EAX，再将
72710编辑于 2024-03-12 - 来自专栏机器学习/数据可视化
图神经网络3-图神经网络的基础、前言和应用
公众号：尤而小屋作者：Peter编辑：Peter图神经网络GNN和传统深度学习网络的对比：循环神经网络（1997）和卷积神经网络（2012）：擅长处理图像等欧式数据或者文本和信号等序列数据图神经网络：擅长处理社交网络 、推荐系统、药物发现和程序分析中的图和流行结构等数据图结构数据不适合高度规则化的神经网络结构，比如RNN或者CNN等。 图神经网络基础GNN方法GNN的理论理解GNN的可扩展性GNN的可解释性GNN的对抗鲁棒性GNN方法GNN是专门设计的用于在图结构数据上进行操作的神经网络架构，其目的是通过聚合邻居节点的表征及其前一次迭代中的表征来迭代更新节点表征 有监督的GNN无监督的GNN训练深度图神经网络的问题：过平滑问题（其中所有的节点都有类似的特征）GNN的理论理解GNN能够达到一维Weisfeiler-Lehman测试的表达能力，甚至超越该能力，包含附加随机属性 对抗性攻击对抗性训练图神经网络前沿图分类和预测链接图生成和图转换图匹配和图结构学习动态图神经网络异质图神经网络基于图神经网络的AutoML和自监督学习图神经网络应用图构建：具有显式或隐式图结构的输入数据图表征学习
45600编辑于 2023-11-23 - 来自专栏公共互联网反网络钓鱼（APCN）
假冒 TronLink 钱包 Chrome 扩展攻击机理与 Web3 钱包安全防御研究
，形成 “事件复盘 — 机理分析 — 防御实现 — 治理建议” 的完整论证闭环。 慢雾于 2026 年 5 月披露的假冒 TronLink 钱包 Chrome 扩展事件，集中体现当前 Web3 钱包钓鱼攻击的典型特征：基于最新 Manifest V3 规范开发，规避传统沙箱检测；使用 现有研究多聚焦传统网络钓鱼、智能合约漏洞或交易所安全，针对 Web3 钱包恶意扩展的全生命周期机理分析、工程化检测方法与防御体系构建仍存在明显不足。 3 假冒 TronLink 扩展核心技术机理分析3.1 基于 Manifest V3 的攻击架构适配本次恶意扩展采用 Chrome 最新 Manifest V3 规范，提升隐蔽性与兼容性：使用 service 本文通过事件复盘、技术机理拆解、风险分析、防御框架构建与代码实现，形成完整论证闭环：假冒钱包扩展的核心竞争力在于视觉欺骗 + 逻辑外置 + 行为逃逸，对应的有效防御路径是名称混淆检测 + 远程界面拦截
26510编辑于 2026-05-13 - 来自专栏Michael阿明学习之路
01.神经网络和深度学习 W3.浅层神经网络
神经网络概览 2. 神经网络的表示 3. 神经网络的输出 4. 多样本向量化 5. 激活函数 6. 为什么需要 非线性激活函数 7. 激活函数的导数 8. 神经网络概览 ? image.png 还有反向的求导过程 2. 神经网络的表示 ? 3. 神经网络的输出 ? 输入一个样本的特征向量，四行代码计算出一个简单神经网络的输出，那么多个样本呢？往下看 4. 随机初始化 对于一个神经网络，如果你把权重或者参数都初始化为0，那么梯度下降将不会起作用。 ? 01.神经网络和深度学习 W3.浅层神经网络（作业：带一个隐藏层的神经网络）
55110发布于 2021-02-19 - 来自专栏ShowMeAI研究中心
NLP教程(3) | 神经网络与反向传播
点击 第3讲-词向量进阶 和 第4讲-神经网络反向传播与计算图 查看的课件注释与带学解读。更多资料获取方式见文末。 然后我们把误差与将 z_1^{(3)} 映射到 a_1^{(3)} 的神经元的局部梯度相乘。 所以有 \delta_1^{(3)}=1 ③ 这里误差信号1已经到达 z_1^{(3)} 。 z_1^{(3)} 的误差信号为 \delta_1^{(3)} )。 3) 贝叶斯学习的解释 丢弃法也可以解释为一种贝叶斯学习的近似。
1.1K51编辑于 2022-05-04 - 来自专栏全栈程序员必看
RAII机制_机制与机理的区别
RAII的基本思想就是当对象的生命周期结束时，自动调用起析构函数。那以下将围绕RAII，全面的讲解RAII的相关知识。
75620编辑于 2022-11-16 - 来自专栏机器视觉CV
卷积神经网络之 - Inception-v3
Inception-v3 吧。 分解卷积 分解卷积的主要目的是为了减少参数量，分解卷积的方法有：大卷积分解成小卷积；分解为非对称卷积； 大卷积分解成小卷积 使用 2 个 3×3 卷积代替一个 5×5 卷积，可以减少 28% 的参数量， 另外分解后多使用了一个激活函数（卷积层后面跟着激活函数，以前只有一个 5×5 卷积，也就只有一个激活函数，现在有 2 个 3×3 卷积，也就有了 2 个激活函数），增加了非线性表达的能力，（VGGNet 分解为非对称卷积 用 1 个 1×3 卷积和 1 个 3×1 卷积替换 3×3 卷积，这样可以减少 33% 的参数量 ? 具体结构如下：简称为 Module B ? 其中左边的图是详细的结构，右边的图是结构简图 Inception-v3 架构 ?
7.9K31发布于 2020-07-23 - 来自专栏王小雷
基于Python3 神经网络的实现
基于Python3 神经网络的实现(下载源码) 本次学习是Denny Britz（作者）的Python2神经网络项目修改为基于Python3实现的神经网络（本篇博文代码完整）。 训练一个神经网络 现在，我们搭建由一个输入层，一个隐藏层，一个输出层组成的三层神经网络。输入层中的节点数由数据的维度来决定，也就是2个。相应的，输出层的节点数则是由类的数量来决定，也是2个。 神经网络作出预测原理 神经网络通过前向传播做出预测。前向传播仅仅是做了一堆矩阵乘法并使用了我们之前定义的激活函数。 δ3WT2∂L∂W2=aT1δ3∂L∂b2=δ3∂L∂W1=xTδ2∂L∂b1=δ2 \begin{aligned} & \delta_3 = y - \hat{y} \\ & \delta_2 = (1 - \tanh^2z_1) \circ \delta_3W_2^T \\ & \frac{\partial{L}}{\partial{W_2}} = a_1^T \delta_3 \\ & \
1.2K100发布于 2018-01-02 方法论|机理分析法
为什么需要机理分析法 在现实生活中，影响一个问题的因素往往不止一个，分析问题时就需要从不同方向考虑，所以就引入了机理分析法 算法分析过程和应用步骤： 首先分析现象和结果的影响因素；然后在合理的假设条件下做出各种因素与现象和结果的关系 这时速度V = 0 ，即外语水平达到了一个稳定的状态，水平将徘徊在： ꇌX={B+ꇌ(B方+4*A*C)}/2C (3)式 附近，这就说明了外语学习过程中的"顶线"现象。 由公式(3)不难发现顶线的位置对C的大小比较敏感，这表明适当地掌握一些有效的记忆方法，减小遗忘系数C的值，对一个人提高外语水平，突破顶线具有更重要的意义。 结语 在运用机理分析法时需要考虑各个因素，对于不同的因素可能需要不同的思考方式，最后得出结果时，还要结合实际情况验证分析的正确性。 END
1.4K20发布于 2019-10-14- 来自专栏贾维斯Echo的博客
计算机理论基础
编程：让计算机用人的逻辑去思考，用编程语言翻译下来 编程语言：计算机能听懂的语言 程序：就是一堆代码文件 为何编程：让计算机取代人去工作 3.程序是计算机的灵魂，程序分为哪几类？ 3.上线失败解决方案：小bug找开发人员修改，重大bug问题需要回滚到上一个版本。 4.一到两周一个一个小版本，一个月一次大版本，期间不定个数bug修改版本 6运维的三大职责 1.优化网站，提升用户体验 2.做好数据备份，保证数据安全 3、保证服务器7X24小时不间断运行， 场合：对数据安全有要求，对速度读写速度没有特殊要求，列如服务器的系统盘 特点：追求数据安全，不考虑速度 raid5（介于raid0和raid1之间，是一种折中的方案） 至少3块盘 >本地系统DNS缓存->本地计算机HOSTS文件->ISP DNS缓存->递归or迭代搜索 2、登录chrome://net-internals/，选择DNS，点击 clear host cache 3、
63730编辑于 2023-10-18
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