- 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 day4 --- 吴吞吞
install.packages() R包在Biocductor BioManager::install()
20910编辑于 2024-05-11免费白嫖Claude4
Amazon 推出了 Kiro，让大家免费用 Claude4。但现在已经需要 join waitlist 才能使用了。 往期推荐： 序号 文章标题 链接 1 MCP协议爆火揭秘 查看详情 2 轻松配置Cursor玩转MCP 查看详情 3 Browser-Tool 前端开发神器 查看详情 4 AI编码焕新：用Context7
26810编辑于 2026-04-29- 来自专栏学习笔记持续记录中...
Java基础：二、作用域（4）
作用域决定了在其内定义的明亮名的可见性和生命周期，在Java中，作用域由花括号的位置决定 基本类型的作用域 { int x = 12; // Only x available { int q = 96; // Bath x & q available } // Only x available // q is "out of scope" } 对象的作用域 Java 对象不具备和基本类型一样的生命周期，当用new创建一个Java对象时，它可以存活于作用域之外 { String s = new String("a string"); } // End of scope 在上面的代码中，我们无法在这个作用域之后访问这个对象，因为对它唯一的引用已超出了作用域的范围，而对象的回收，是通过Java的垃圾回收器，它用来监视用new创建的所有对象，并辨别哪些不会再被引用的对象，随后
37600发布于 2020-03-16 - 来自专栏乐享123
吴恩达机器学习笔记-4
收集更多的数据，让我们有更多的垃圾邮件和非垃圾邮件的样本 基于邮件的路由信息开发一系列复杂的特征 基于邮件的正文信息开发一系列复杂的特征，包括考虑截词的处理 为探测刻意的拼写错误（例如: 把 watch 写成 w4tch 对于数据集中的每一个数据，按照距离 K个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类； 计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置； 重复步骤 2-4 引起的代价 第二个循环(move centroid)则是用于减小 ?? 引起的代价。
75630发布于 2019-12-30 - 来自专栏AI科技时讯
吴恩达深度学习课程笔记-Classes 4
Classes 4 卷积神经网络 1卷积神经网络 1 计算机视觉 应用： 图片分类 图片识别 目标检测 风格迁移 .... ... 1.2 边缘检测 ? ? 滑动窗口目标检测算法接下来会继续处理第二个图像，即红色方框稍向右滑动之后的区域，并输入给卷积网络，因此输入给卷积网络的只有红色方框内的区域，再次运行卷积网络，然后处理第三个图像，依次重复操作，直到这个窗口滑过图像的每一个角落 4 特殊应用 4.1 人脸识别 人脸验证与人脸识别的区别 ? 人脸验证问题：如果你有一张输入图片，以及某人的 ID 或者是名字，这个系统要做的是，验证输入图片是否是这个人。 不再是分类问题，而是要学习一个能够衡量二者区别的函数 ? 4.3 siamese 网络（孪生网络） ? 输入不再是一个图片，而是图片对。输出二者的维度为128维，然后比较二者的距离。 ? G 内容代价函数： 使用预训练的cnn网络模型抽特征，计算二者的特征距离，将其作为内容代价。 ? 风格代价函数 利用风格矩阵表示各自的风格，然后计算二者矩阵差，求和求均值 ? 训练 ?
84520发布于 2020-04-14 - 来自专栏leland的专栏
【吴师傅的Python面包店】Day 4
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。 由于昨天面包师傅抱怨一个人干活太累，吴师傅请多了两个师傅来帮忙了。 """吴师傅请多了两个python面包师傅，工作似乎轻松了很多。""" END_FLAG = True # 关门了，顾客消费也要停止 c.join() if __name__ == "__main__": run() 现在有三位师傅在干活，吴师傅想知道那位师傅的面包更受欢迎
46440发布于 2021-10-05 - 来自专栏技术小站
吴恩达深度学习笔记 course4 week4 测验
True False √ 第 4 个问题 1 point 4. 第 4 个问题 Which of the following is a correct definition of the triplet loss? You are more likely to find this unit in layer 4 of the network than in layer 1. 4.下面哪个是三元组损失的正确定义（请把 αα也考虑进去）？ 6.你在一个拥有100种不同的分类的数据集上训练一个卷积神经网络，你想要知道是否能够找到一个对猫的图片很敏感的隐藏节点（即在能够强烈激活该节点的图像大多数都是猫的图片的节点），你更有可能在第4层找到该节点而不是在第
1.2K40发布于 2018-10-09 - 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( height: 36px; background-color: rgba(255, 255, 255, .3); border: none; border-radius: 4px button { position: relative; /* margin-top: 24px; */ background-color: rgba(57, 88, 69, .4)
70920发布于 2021-08-16 - 来自专栏机器学习/数据可视化
吴恩达笔记4_神经网络基础
吴恩达机器学习-4-神经网络基础 在本周中主要讲解的是神经网络-Neural Networks的基础知识： 非线性假设 神经元和大脑 模型表示 特征和直观理解 多类分类问题 非线性假设Non-linear 模型标记的记忆方法 a^{(j)}_{i}表示的是第j层的第i个激活单元 {\theta}^{(j)}代表从第j层映射到第j+1层的权重矩阵； 例如：上图所示的神经网络中\theta^{(1)}的尺寸为 3*4。 输入向量有3个维度，两个中间层 输出层有4个神经元表示4种分类，也就是每一个数据在输出层都会出现[a,b,c,d]^T，且[a,b,c,d]中仅有一个为1，表示当前类 TF中解决办法 上述多类分类问题和
49020发布于 2021-03-02 - 来自专栏腾讯技术工程官方号的专栏
「递归」第4集 | 退役黑客带你走进白帽子的江湖
它有两大特点，一是调用自己，二是化繁为简。我们当中那些优秀的技术人又何尝不是如此？他们以身作则，用实际行动影响身边的人，规范了流程、提高了效能，使整个团队从中得益。 他们有一个荣耀的冠冕，名为“白帽子”。递归第四集，一位退隐多年的老黑客，为你讲述白帽黑客的江湖。 黑帽子和白帽子 lake：黑客分成两种，一种你可以理解为是坏的黑客，在行业里叫做黑帽子，专门利用漏洞去攻击别人，并利用黑客技术去谋利。 另一种叫做白帽子，他们用这种攻击技术去做防守，去保护我们广大的用户。 最开始的时候别人给我们报漏洞可能奖品就是一对QQ公仔，这个时候其实很多白帽子对我们的行为不是很理解，情况其实是很困难的，即时通过该这种情况我们还是争取到了一些白帽子，他们每个月、每年也会给我们报很多漏洞
1.3K31发布于 2019-12-31 - 来自专栏群晖NAS的技术分享
二合一系统黑群晖洗白教程
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 你的镜像/引导盘就洗白好了。
10.4K20编辑于 2022-11-01 - 来自专栏技术小站
吴恩达深度学习 course4 卷积神经网络
我们会检测边缘的更多特征,而不只是垂直特征与水平特征,filter的参数是通过训练得到的,类似于标准神经网络中的权重W一样由梯度下降算法反复迭代求得,确定边缘特征后,CNN就可以对所有的边缘特征进行一个检测 4. 例如设置第一个滤波器组实现垂直边缘检测，第二个滤波器组实现水平边缘检测。这样，不同滤波器组卷积得到不同的输出，个数由滤波器组决定。,则结果应该如下所示 ? average pooling 用的多 10.Convolutional nerual network example CNN例子: 以一个数字识别为例 第一层由一个conv 和一个pool组成 ,第二层也是
93630发布于 2018-09-03 - 来自专栏红色石头的机器学习之路
吴恩达《Machine Learning》精炼笔记 4：神经网络基础
输入向量有3个维度，两个中间层 输出层有4个神经元表示4种分类，也就是每一个数据在输出层都会出现[a,b,c,d]T[a,b,c,d]T，且[a,b,c,d][a,b,c,d]中仅有一个为1，表示当前类
41610编辑于 2022-01-20 - 来自专栏讲编程的高老师
吴恩达机器学习笔记4-有监督学习
01 — 视频 02 — 笔记 本次视频，吴老师通过两个例子给我们讲解了什么是有监督的机器学习。这里面又包括了有监督学习常被用来解决的两类问题：回归问题、分类问题。 在本视频中，吴老师并没有给出监督学习的非常学术化的定义。他通过两个例子来引导我们认识监督学习。 假设你手上有这样一些数据，如下面图所示。
70420发布于 2020-08-14 - 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。 3.第二关 我们找到了一处空白的字。粘贴下来。 d1D j00 kN0w J378r41n2 12 4lW4Y2 H1R1N9? ch3CK 0u7 73h K4r33r2 P493 4nD 533 1f 7H3r3 12 4 J08 F0r J00 0R 4 KW357 cH4LL3n93 70 90 fUr7h3r @ l3457 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 - 来自专栏怀英的自我修炼
Java漫谈4
同样的，上述例子中的能量在Java中就对应了Java的数据类型，这些基本的数据类型就构成了Java的Bean，方法，函数等。 说回到Java的数据类型，Java中有8大数据类型，在我看来就像是8大金刚一样，它们分别是： boolean金刚：主判断，法宝为if尺，常用招数——if判断。 在每一台要运行java的机器上都装了虚拟机，虚拟机会根据每台机器做对字节码文件做快速处理，完成字节码到机器码的快速转换。 这一次，我们聊了Java中的八大数据类型，并且借用了8大金刚的概念来阐述它。希望这能让你对java的数据类型有个印象，咱们下回见。
691100发布于 2018-03-12 - 来自专栏JavaEdge
吴恩达机器学习 Coursera 笔记(二) - 单变量线性回归
In this case, θ1=1 is our global minimum. [1240] [1240] [1240] [1240] 4 代价函数(二) [1240] [1240] 等高线图是包含许多等高线的图形 1240] 需要注意的是，虽然梯度下降一般对局部最小值敏感，但我们在线性回归中提出的优化问题只有一个全局，而没有其他局部最优; 因此，梯度下降总是收敛（假设学习率α不是太大）于全局最小值 实际上，J是凸二次函数 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 - 来自专栏JavaEdge
吴恩达机器学习 Coursera 笔记(二) - 单变量线性回归
In this case, θ1=1 is our global minimum. 4 代价函数(二) 等高线图是包含许多等高线的图形,双变量函数的等高线在同一条线的所有点处具有恒定值 需要注意的是，虽然梯度下降一般对局部最小值敏感，但我们在线性回归中提出的优化问题只有一个全局，而没有其他局部最优; 因此，梯度下降总是收敛（假设学习率α不是太大）于全局最小值 实际上，J是凸二次函数 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 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
76030编辑于 2022-11-30 - 来自专栏Spring Cloud设计原理
Junit 4 Tutorials(Junit 4 系列教程) 二、Junit4 注解
Junit4 注解提供了书写单元测试的基本功能。.本章将介绍@BeforeClass, @AfterClass,@Before, @After 和@Tes 这几个基本t注解。 Arithmetic.java，本例要用到的需要Junit进行单元测试的类： package Arithmetic { public int add(int i, int j) { return i + j; } } ArithmeticTest.java Arithmetic.java的Junit单元测试类： package in.co.javatutorials Junit 4断言方法（Assert methods） Junit 4参数化测试 Junit 4测试套件(Test Suite) Junit 4忽略测试(Ignore Test) Junit 4超时测试
1.4K10发布于 2021-09-14
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