- 综合排序
- 最热优先
- 最新优先
- 来自专栏程序人生 阅读快乐
白帽子讲Web安全 - 吴翰清
【下载地址】 《白帽子讲Web安全》内容简介：在互联网时代，数据安全与个人隐私受到了前所未有的挑战，各种新奇的攻击技术层出不穷。如何才能更好地保护我们的数据？ 《白帽子讲Web安全》将带你走进Web安全的世界，让你了解Web安全的方方面面。黑客不再变得神秘，攻击技术原来我也可以会，小网站主自己也能找到正确的安全道路。 你能在《白帽子讲Web安全》中找到答案。详细的剖析，让你不仅能“知其然”，更能“知其所以然”。
1.3K10发布于 2018-10-10 day2 --- 吴吞吞
RStudio 是R语言的开源集成开发环境（IDE），含脚本编辑器，console/ terminal ，environment /history， file /plot/ package 四个模块。
21310编辑于 2024-05-10- 来自专栏学习笔记持续记录中...
Java基础：二、创建对象（2）
寄存器的数量极其优先，所以寄存器根据需求进行分配，不能直接控制，在程序中也不能感觉到寄存器存在的任何迹象 2）堆栈 位于RAM（随机访问存储器）中，可以通过堆栈指针从处理器获取直接支持。 对象引用存储在堆栈中 3）堆 一种通用的内存池，位于RAM中，用于存放所有的Java对象 4）常量存储 常量值通常直接存放在程序代码内部。
49700发布于 2020-03-16 - 来自专栏乐享123
吴恩达机器学习笔记-2
代表逻辑函数（logistic function）, 是一个常用的逻辑函数为 S形函数（Sigmoid function），公式为： image.png python 代码实现sigmoid函数： 1 2 代价函数 逻辑回归的代价函数为： image.png 其中: image.png 代入代价函数: image.png 逻辑回归代价函数的Python代码实现： 1 2 3 4 5 6 7 8 接着，类似地第我们选择另一个类标记为 正向类（y=2），再将其它类都标记为负向类，将这个模型记作 ℎ(2)?(?) ,依此类推。 最大的 i，即 image.png 2-正则化 过拟合问题 就以多项式理解，x 的次数越高，拟合的越好，但相应的预测的能力就可能变差。 如何解决？ 丢弃一些不能帮助我们正确预测的特征。 experience_loss = lmd * np.sum(w ** 2) loss = (constrct_loss + experience_loss) / (2 * len(predict
67920发布于 2019-12-30 - 来自专栏用户1358355的专栏
白嫖のCloudBase云函数第二章
白嫖のCloudbase云函数第二章 续接上章，本章搭建登陆，以及修改路由的一些问题，源码放在最下面了 修改文件 //app.js文件中有两个引入的路由文件 const index = require( > <form action="koa/submit" class="login-form" method="post"> <h2 style="margin-bottom: 20px;">cloudBase管理系统</h2> <input type="text" name="username height: calc(100% + 20px); background: inherit; box-shadow: 0 0 0 200px rgba(255, 255, 255, .<em>2</em>) inset; z-index: -1; filter: blur(6px); overflow: hidden; } .login-form h<em>2</em> { font-size
70920发布于 2021-08-16 - 来自专栏leland的专栏
【吴师傅的Python面包店】Day 2
前言：十一国庆只能待在家的吴师傅十分无聊，决定开一家Python面包店打发下时间。后面的每一天，吴师傅都会用一段代码简单实现卖面包的功能，并且解决前一天暴露的问题。 昨天吴师傅收到客户抱怨等待太久，于是做了个小优化。 """不想让客户等待抱怨，python面包师傅只好提前准备好面包。""" break if __name__ == "__main__": run() 优化后确实前面的顾客能很快拿到面包了，但是后面的顾客还是需要等待很久，吴师傅该怎么解决呢？
52040发布于 2021-10-05 - 来自专栏一只程序原
死磕juc（二）java的“锁”事（2）
java的”锁“事（2） 一、公平锁和非公平锁 1.1 从ReentrantLock卖票编码演示公平和非公平现象 class Ticket { private int number = 30; 1.3 看一眼AQS 二、可重入锁(又名递归锁) 2.1 什么是可重入锁 可重入锁又名递归锁 是指在同一个线程在外层方法获取锁的时候，再进入该线程的内层方法会自动获取锁(前提，锁对象得是同一个对象 如果是1个有 synchronized 修饰的递归调用方法，程序第2次进入被自己阻塞了岂不是天大的笑话，出现了作茧自缚。 所以Java中ReentrantLock和synchronized都是可重入锁，可重入锁的一个优点是可一定程度避免死锁。 ); } public synchronized void m2() { System.out.println("-----m2"); m3();
50810编辑于 2022-08-17 - 来自专栏从流域到海域
【中文】【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第二周作业
【中文】【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第二周作业 - 优化算法 ---- 上一篇：【课程2 - 第二周测验】※※※※※ 【回到目录】※※※※※下一篇：【课程 2 - 第三周测验】 ---- 声明 本文参考Kulbear 的【Optimization methods】，我基于以上的文章加以自己的理解发表这篇博客，力求让大家以最轻松的姿态理解吴恩达的视频 我们先来看看分割后如何获取第一第二个mini-batch吧~ #第一个mini-batch first_mini_batch_X = shuffled_X[:, 0 : mini_batch_size] #第二个mini-batch second_mini_batch_X = shuffled_X[:, mini_batch_size : 2 * mini_batch_size] ... (grads["db" + str(l + 1)]) #计算第二阶段的偏差修正后的估计值，输入："s , beta2 , t"，输出："s_corrected" s_corrected
1.2K20发布于 2019-05-28 - 来自专栏讲编程的高老师
吴恩达机器学习笔记2-简介1
根据吴老师的讲解，我们使用网络搜索、垃圾邮件的过滤这些都是机器学习在支撑，google或微软的机器学习算法为你筛选喜欢的网页或过滤垃圾邮件。 而对于吴老师，他希望有一天可以做出和人类一样聪明的机器来，这是一件非常激动人心又有点让人担忧的目标。但是，目前的研究进展离这一目标很挺遥远的。 第二个问题，机器学习的一些实际案例 视频中主要讲了四个大类的例子。 数据挖掘（Data Mining）：就是从大量的数据集里面发现有价值的信息。 吴老师最后还提到很多公司让他帮忙在斯坦福大学找一些毕业生，而这些职位中的大多数是机器学习相关的。也就是说，机器学习就业前景很好，学它准没错。
39820发布于 2020-08-14 - 来自专栏Java面试通关手册
Java多线程学习（二）synchronized关键字（2）
Java面试通关手册（Java学习指南，欢迎Star，会一直完善下去，欢迎建议和指导）：https://github.com/Snailclimb/Java_Guide (2) synchronized Task.java public class Task { private String getData1; private String getData2; public synchronized public static long endTime2; } MyThread1.java public class MyThread1 extends Thread { private Task java public class MyThread2 extends Thread { private Task task; public MyThread2(Task task) { super 二 synchronized（this）同步代码块的使用 修改上例中的Task.java如下： public class Task { private String getData1; private
93760发布于 2018-06-18 - 来自专栏FunTester
selenium2java基本方法二次封装
package soucrce; import java.awt.AWTException; import java.awt.Robot; import java.awt.event.KeyEvent ; import java.io.File; import java.io.IOException; import java.util.List; import java.util.Map; import java.util.Set; import java.util.concurrent.TimeUnit; import org.apache.commons.io.FileUtils; import String text) { driver.findElement(By.id(id1)).clear(); driver.findElement(By.id(id2) (JavascriptExecutor) driver; js.executeScript("arguments[0].click();", element); //第二种点击方法
2.5K10发布于 2019-09-10 - 来自专栏技术小站
吴恩达深度学习笔记 course2 week2 优化算法
gradient descent不同的是,一个epoch进行T次梯度下降算法,而batch只进行一次 可以进行多次epoch,每次最好顺序打乱,重新分T组mini-batch,这样有利于训练最佳的模型 2. 从图中可以看出mini batch 会出现震荡现象,原因:每个子集情况不同,例如可能第一个子集(X {1} ,Y {1} ) 是好的子集，而第二个子集(X {2} ,Y {2} ) 包含了一些噪声noise 如果样本数量小于等于2000,可以直接使用batch gradient descent 数量比较大,size的选取一般为2的幂,推荐常用的有64,128,256,512,选择2的幂的原因:计算机存储数据一般都为 2的幂,这样设置可以提高运算速度. 3.Exponentially weighted averages 指数加权平均 ? 一般只要对β1,β2进行调试 2.9 Learning rate decay 学习率下降 ?
78210发布于 2018-09-03 - 来自专栏小锋学长生活大爆炸
【教程】2步白嫖使用DeepL Pro会员版
【教程】5步白嫖使用Grammarly Premium高级版 [附脚本] 适用说明 Edge、Chrome等，使用了Chrome内核的浏览器应该都可以吧。 开始白嫖 1、下载并解压插件 注意放到一个你能找到的位置，等会要用。 2、进入浏览器插件管理页面，打开“开发人员模式”，点击“加载已解压插件” ，选择上面解压的文件夹 如果出现这个，说明安装成功了： 3、进入DeepL官网就可以使用了：DeepL Translate
6K30编辑于 2023-06-04 - 来自专栏浩Coding
Java EE实用教程笔记----（2）第二章 Struts 2基础
好了，今天开始第二章，O(∩_∩)O哈哈~，今天这一章主要讲Struts 2的运行环境和原理，及工作流程，后面长长的文章就当是看API把，哈哈。 大部分的时候，使用Struts 2的Java EE应用并不需要用到Struts 2的全部特性，开发Struts 2程序只需用到lib下的9个jar包，包括： （1）传统Struts 2的5个基本类库。 www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://java.sun.com/xml/ns/j2ee http://java.sun.com 实现控制器Action 基于Struts 2框架的Java EE应用程序使用自定义的Action（控制器）来处理深层业务逻辑，完成用户想要完成的功能。 第二部分 Struts 2基础 2.3 Struts2的控制器Action类 2.3.1 使用ActionSupport Struts2的核心功能就是Action。
1.3K30发布于 2019-07-03 - 来自专栏群晖NAS的技术分享
二合一系统黑群晖洗白教程
把u盘插到NAS上 参考下方快捷键从U盘引导启动进入PE系统 2、查询各品牌主板电脑开机u盘启动快捷键 http://www.winbaicai.com/quickquery.html 进入PE系统后 3、开始洗白操作。 如果是已经制作好的引导U盘/二合一硬盘直接打开U盘的目录找到对应的文件目录即可 【找到您固态硬盘的磁盘，然后如图所示找到grub.cfg文件，通常都是4KB-10KB大小】 右键直接如下图选，复制到桌面 grub.cfg 大致在22行左右找到有pid vid字样 换成你的SN码，注意后边前边不要有空格 换成你的MAC地址 注意00开头后边前边不要有空格 无论您是多少个网口，仅需要修改mac1，如有mac2、 你的镜像/引导盘就洗白好了。
10.4K20编辑于 2022-11-01 - 来自专栏机器学习/数据可视化
吴恩达笔记2_梯度下降和正规方程
吴恩达机器学习-2-梯度下降与正规方程 第二周主要讲解的内容包含： 多维特征 多变量梯度下降 梯度下降法实践 正规方程 ---- 多维特征Multiple Features 还是利用房价模型的例子，增加了更多的特征 theta，求代价函数J import numpy as np def computeCost(X,y,theta): inner = np.power(((X * theta.T) - y), 2) # 求解每个平方项 return np.sum(inner) / (2 / len(X)) # 求和再除以2*len(X) 梯度下降法实践 特征缩放 面对多维度特征问题，我们需要保证这些特征具有相近的尺度 0.01, 0.03, 0.1, 0.31, 3,10 特征和多项式回归 如房价预测问题， h_{\theta}{(x)} = \theta_0+\theta_1 \cdot宽度 + \theta_2 在实际拟合数据的时候，可能会选择二次或者三次方模型；如果采用多项式回归模型，在运行梯度下降法之前，特征缩放很有必要。 ?
1.4K00发布于 2021-03-02 - 来自专栏xingoo, 一个梦想做发明家的程序员
吴恩达机器学习笔记 —— 2 单变量线性回归
第一章讲述了基本的机器学习的概念以及分类，这里从单变量的线性回归入手，吴恩达讲解了机器学习中的几个重要因素，如模型、损失函数、优化方法等 更多内容参考 机器学习&深度学习 首先以房价预测入手： 房子的面积 在二维特征下，可以看成一个关于损失函数的等高线图。同一个线圈，损失函数的值是相同的。在越来越靠近中心点时，可以看到预测的直线越来越贴近样本值。证明在等高线最中心的位置（最低点），损失值是最小的。
54000发布于 2018-07-31 - 来自专栏编程之禅
白嫖JetBrains全家桶第二波与第三波
白嫖JetBrains全家桶第二波与第三波 1.回顾第一波 第一波的JetBrains猜谜活动见我另外文章，提醒一下，第一波，第二波，第三波兑奖时间要在中欧时间3月15日之前。 2.第一关 JetBrains3月11日在推特上发布了第二题 ? Time for the next #JetBrainsQuest! d1D j00 kN0w J378r41n2 12 4lW4Y2 H1R1N9? 进入链接https://jb.gg/kotlin_quest 2.第二关 fun main() { val s = "Zh#kdyh#ehhq#zrunlqj#552:#rq#wkh#ylghr# 第二关奖品是全家桶免费3个月。第三关是8折优惠券。 我有试过将第二关的兑奖密钥激活，结果是账号上有两个3个月的订阅，而不是叠加。所以建议是在第二关密钥在3个月有效期的最后几天再添加。
1.2K20发布于 2020-08-12 - 来自专栏信数据得永生
米斯特白帽培训讲义（v2）信息收集
米斯特白帽培训讲义 信息收集 讲师：gh0stkey 整理：飞龙 协议：CC BY-NC-SA 4.0 收集什么？ 查询子域：许多情况下只有主站使用了 CDN，二级站点并没有，所以我们就可以直接查询分站的 IP。分站的搜索方法见下文。 国内部分 CDN 服务只针对国内，对国外的访问几乎不使用 CDN。 Accept-Encoding: gzip, deflate Cookie: __cfduid=d85643dc07ab45d17ec48c37dde7145d11480308480; PHPSESSID=qfg2unrqvc1adhvcpn8ejhguqulakcd2 附录 信息安全泄露只在一念之间(一)企鹅扣扣 社工研究组文集 Kali Linux 秘籍 第四章 信息收集 Kali Linux Web 渗透测试秘籍 第二章 侦查
1.1K40发布于 2019-02-15 - 来自专栏JavaEdge
吴恩达机器学习 Coursera 笔记(二) - 单变量线性回归
并在最后介绍了线性回归方程2 代价函数 - Cost Function代价函数是用来测量实际值和预测值精确度的一个函数模型. 12m∑i=1m(hθ(xi)−yi)2 To break it apart, it is 1/2 x ̄ where x ̄ is the mean of the squares of hθ(xi)− term of the square function will cancel out the 1/2 term. 在每次迭代j，应该同时更新参数θ1，θ2，...，θn。 在第j次迭代计算另一个参数之前更新特定参数将导致错误的实现。 下面是梯度下降的示例，因为它是为了最小化一个二次函数而运行的 [1240] 上面显示的椭圆是二次函数的轮廓 还示出了梯度下降所采用的轨迹，其在（48,30）处初始化 图中的x（由直线连接）标记了渐变下降经历的
89930发布于 2018-12-19
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