主頁 >  其他 > 深度學習 -- TensorFlow（專案）驗證碼生成與識別（多任務學習）

深度學習 -- TensorFlow（專案）驗證碼生成與識別（多任務學習）

2021-11-04 10:31:15 其他

目錄

基礎理論

一、生成驗證碼資料集

1、生成驗證碼訓練集

1-0、判斷檔案夾是否為空

1-1、創建字符集（數字、大小寫英文字母）

1-2、隨機生成驗證碼（1000個，長度為4）

2、生成驗證碼測驗集

代碼

二、獲取資料（訓練集、測驗集）

1、獲取資料和標簽

1-1、獲取訓練集資料和標簽（路徑和標簽）

1-2、獲取測驗集資料和標簽（路徑和標簽）

1-3、資料組合（影像路徑和標簽）

2、打亂資料

3、處理每條資料

4、自定義重復周期和批次大小

5、處理每批資料

6、獲取一批次資料和標簽

三、創建神經網路

1、創建50層殘差神經網路

2、設定輸入層

3、平均池化（壓縮資料）

4、配置輸出層

5、配置模型

6、編譯（多任務學習）

7、回呼函式配置

8、訓練模型

總代碼

基礎理論

多任務學習（Multi-task Learning）是深度學習中很常用的一種模型訓練策略，意思其實也很簡單，就是同時訓練多個任務，給大家舉兩個例子大家就明白了，比如目標檢測專案中，我們既要知道1、目標所在的位置（也就是預測框坐標值），也要知道2、預測框內是什么物體，預測框的坐標值是連續型資料，所以是一個回歸任務；預測框的物體是一個具體的類別，所以是一個分類任務，

不同的任務其實也可以共享卷積層，因為卷積層的作用主要是特征提取，先提取影像的特征，然后再使用這些特征來預測人的年齡，表情，性別， 用于特征提取的卷積層可以共享 ，不過 不同的任務還需要有自己的 task layer，專門用于訓練特定任務 ，

我們要識別的驗證碼有 4 個字符，我們可以給模型定義 4 個任務，每個任務負責識別 1 個字符，第一個任務識別第一個字符，第二個任務識別第二個字符，第三個任務識別第三個字符，第四個任務識別第四個字符，

一、生成驗證碼資料集

1、生成驗證碼訓練集

1-0、判斷檔案夾是否為空

    if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\train'):
        Create_train_data()     # 生成驗證碼訓練集

1-1、創建字符集（數字、大小寫英文字母）

# 1、創建字符集（字符包含所有數字和所有大小寫英文字母，一共62(10+26+26)個）
    characters = string.digits + string.ascii_letters
    #            數字             英文字母（大小寫）

得到如下資料：0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ

1-2、隨機生成驗證碼（1000個，長度為4）

# 2、隨機產生驗證碼（共1000個，每個長度為4）
    for i in range(1000):
        verification_list = []

1、生成隨機字符：

# 2-1、開始生產隨機字符（4位）
        for j in range(4):
            c = random.choice(characters)   # 隨機選擇（從characters里面隨機抽取）
            verification_list.append(c)

2、實體化驗證碼生成器：

# 2-2、實體化驗證碼生成器
        image = ImageCaptcha(width=160, height=60)  # 寬：160，高：60

3、連接串列字符（轉字串）

# 2-3、連接串列字符
        verification_list = ''.join(verification_list)

4、生成驗證碼

# 2-4、生成驗證碼
        image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')

2、生成驗證碼測驗集

程序同上，測驗集資料不需要那么多，把1000張換成200張即可，

代碼

# 創建訓練集（驗證碼）
def Create_train_data():
    # 1、創建字符集（字符包含所有數字和所有大小寫英文字母，一共62(10+26+26)個）
    characters = string.digits + string.ascii_letters
    #            數字             英文字母（大小寫）

    # 2、隨機產生驗證碼（共1000個，每個長度為4）
    for i in range(1000):
        verification_list = []

        # 2-1、開始生產隨機字符（4位）
        for j in range(4):
            c = random.choice(characters)   # 隨機選擇（從characters里面隨機抽取）
            verification_list.append(c)

        # 2-2、實體化驗證碼生成器
        image = ImageCaptcha(width=160, height=60)  # 寬：160，高：60

        # 2-3、連接串列字符
        verification_list = ''.join(verification_list)

        # 2-4、生成驗證碼
        image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')


# 創建測驗集（驗證碼）
def Create_test_data():
    # 1、創建字符集（字符包含所有數字和所有大小寫英文字母，一共62(10+26+26)個）
    characters = string.digits + string.ascii_letters
    #            數字             英文字母（大小寫）

    # 2、隨機產生驗證碼（共200個，每個長度為4）
    for i in range(200):
        verification_list = []

        # 2-1、開始生產隨機字符（4位）
        for j in range(4):
            c = random.choice(characters)   # 隨機選擇（從characters里面隨機抽取）
            verification_list.append(c)

        # 2-2、實體化驗證碼生成器
        image = ImageCaptcha(width=160, height=60)  # 寬：160，高：60

        # 2-3、連接串列字符
        verification_list = ''.join(verification_list)

        # 2-4、生成驗證碼
        image.write(verification_list, 'captcha/test/' + verification_list + '.jpg')

二、獲取資料（訓練集、測驗集）

1、獲取資料和標簽

1-1、獲取訓練集資料和標簽（路徑和標簽）

# 1-1、獲取訓練集資料和標簽（路徑和標簽）
    train_data, train_target = get_filenames_and_classes("./captcha/train/")# 1000張圖片，長度4

獲取所有圖片路徑，標簽轉獨熱編碼 ：

# 獲取所有驗證碼圖片路徑和標簽
def get_filenames_and_classes(dataset_dir):
    # 圖片路徑和標簽
    paths ,targets = [], []

    # 獲取每個圖片的路徑和標簽
    for filename in os.listdir(dataset_dir):
        # 1、獲取檔案路徑
        path = os.path.join(dataset_dir, filename)
#                           路徑          檔案名
        # 完成1：保存圖片路徑
        paths.append(path)

        # 2、獲取驗證碼標簽（取檔案名的前 4 位，也就是驗證碼的標簽）
        target = filename[0:4]

        # 定義一個空label（獲取4*62的陣列，用0填充）
        label = np.zeros((4, classes_num), dtype=np.uint8)

        # 3、標簽轉獨熱編碼
        for i, ch in enumerate(target):
        # i:索引 ch:字符
            # 標記(設定標簽)：獨熱編碼 one-hot 格式
            label[i, characters.find(ch)] = 1
            #    陣列索引 字符下標（字符ch在characters中的下標）

        # 完成2：保存獨熱編碼的標簽
        targets.append(label)

    # 回傳圖片路徑和標簽
    return np.array(paths), np.array(targets)

1-2、獲取測驗集資料和標簽（路徑和標簽）

# 1-2、獲取測驗集資料和標簽（路徑和標簽）
    test_data, test_target = get_filenames_and_classes("./captcha/test/")   # 200張圖片，長度4

獲取資料函式同上，

1-3、資料組合（影像路徑和標簽）

# 1-3、資料組合(影像路徑和標簽)     (創建 dataset 物件，傳入圖片路徑和標簽)
    dataset_train = tf.data.Dataset.from_tensor_slices((train_data, train_target))
    dataset_test = tf.data.Dataset.from_tensor_slices((test_data, test_target))

2、打亂資料

# 2、打亂資料
    dataset_train = dataset_train.shuffle(buffer_size=100, reshuffle_each_iteration=True)  # map-可以自定義一個函式來處理每一條資料
    dataset_test = dataset_test.shuffle(buffer_size=20, reshuffle_each_iteration=True)
    #                                     資料緩沖器大小     隨機打亂(是/否)

3、處理每條資料

# 3、對每條資料進行處理（影像地址->3通道影像->歸一化）
    dataset_train = dataset_train.map(image_function)
    dataset_test = dataset_test.map(image_function)
    # map函式：可以自定義一個函式來處理每一條資料

4、自定義重復周期和批次大小

# 4、自定義重復周期和批次大小
    dataset_train = dataset_train.repeat(1)         # 資料重復生成 1 個周期
    dataset_test = dataset_test.repeat(1)           # 資料重復生成 1 個周期
    dataset_train = dataset_train.batch(64)         # 定義批次大小64
    dataset_test = dataset_test.batch(64)           # 定義批次大小64

5、處理每批資料

# 5、處理每批資料
    # 注意這個 map 和前面的 map 有所不同，第一個 map 在 batch 之前，所以是處理每一條資料
    # 這個 map 在 batch 之后，所以是處理每一個 batch 的資料
    dataset_train = dataset_train.map(label_function)
    dataset_test = dataset_test.map(label_function)

6、獲取一批次資料和標簽

# 獲取一批資料和標簽
    trainx, trainy = next(iter(dataset_train))
    testx, testy = next(iter(dataset_test))

資料（歸一化后的）：

標簽（獨熱編碼）：

三、創建神經網路

1、先配置好50層殘差神經網路；

2、(用已配置好的殘差神經網路)配置輸入層；

3、把配置好的輸入層池化；

4、(用池化后的結果)配置輸出層(多任務學習)；

5、(用輸入層的shape和輸出層)配置模型，

# 三、構造神經網路
    Create_Network()

1、創建50層殘差神經網路

# 1、構造resnet50神經網路（50層殘差網路）
    resnet50 = ResNet50(weights='imagenet', include_top=False, input_shape=(height, width, 3))  # 設定輸入
    # weights：權重(imagenet:加載預訓練權重)
    # include_top：是否保留頂層的全連接網路
    # input_shape：指明輸入圖片的shape，僅當include_top=False有效

2、設定輸入層

# 2、設定輸入層
    inputs = Input((height, width, 3))  # 設定輸入層大小
    x = resnet50(inputs)  # 使用 resnet50 進行特征提取

3、平均池化（壓縮資料）

# 3、平均池化（壓縮資料）
    x = GlobalAvgPool2D()(x)

4、配置輸出層

多任務學習，把驗證碼識別的4個字符看成是4個不同的任務，每個任務負責識別1個字符，

# 4、配置輸出層(多任務學習)
    # 把驗證碼識別的4個字符看成是4個不同的任務，每個任務負責識別1個字符
    x0 = Dense(classes_num, activation='softmax', name='out0')(x)
    x1 = Dense(classes_num, activation='softmax', name='out1')(x)
    x2 = Dense(classes_num, activation='softmax', name='out2')(x)
    x3 = Dense(classes_num, activation='softmax', name='out3')(x)

5、配置模型

# 5、配置模型（輸入層、輸出層）
    model = Model(inputs, [x0, x1, x2, x3])

6、編譯（多任務學習）

損失函式、權重、優化器、監視等等設定，

# 6、編譯(多任務學習)（損失函式、權重、優化器、監視等等設定）
    # （4個任務我們可以定義4個loss）
    model.compile(loss={'out0': 'categorical_crossentropy',
                        'out1': 'categorical_crossentropy',
                        'out2': 'categorical_crossentropy',
                        'out3': 'categorical_crossentropy'},
                  loss_weights={'out0': 1, 'out1': 1, 'out2': 1, 'out3': 1},
                  optimizer=SGD(lr=0.01, momentum=0.9),
                  metrics=['acc'])
    # loss：損失函式    loss_weights：權重    optimizer：優化器（lr:學習率；momentum:帶動量的梯度下降）
    # metrics：監視(acc)

7、回呼函式配置

 # 7、回呼函式（停止訓練、保存資料、保存模型、調整學習率）
    callbacks = [EarlyStopping(monitor='val_loss', patience=6, verbose=1),
                 CSVLogger('Captcha_tfdata.csv'),
                 ModelCheckpoint('Best_Captcha_tfdata.h5', monitor='val_loss', save_best_only=True),
                 ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)]
    # monitor='val_loss'：監控指標'val_loss'
    # EarlyStopping：讓模型停止（6個周期，val_loss沒有下降則訓練結束）
    # CSVLogger： 保存訓練資料
    # ModelCheckpoint：保存模型（保存所有訓練周期中val_loss最低的模型）
    # ReduceLROnPlateau 學習率調整，連續3個周期，val_loss沒有下降，則當前學習率乘以0.1

8、訓練模型

# 8、訓練模型
    model.fit(x=dataset_train, epochs=epochs, validation_data=dataset_test, callbacks=callbacks)

訓練效果：

暫時沒有訓練太多次，不過通過這幾次的訓練，已經可以看到準確率明顯提高了許多，

雖說沒有完全訓練完，但是可以看到，第12次每個字符的平均正確率已經可以達到99%+了，效果挺好的，

總代碼

# 驗證碼生成與識別
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

import tensorflow as tf
from tensorflow.keras.layers import Dense,GlobalAvgPool2D,Input
from tensorflow.keras.optimizers import SGD
from tensorflow.keras.models import Model
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.callbacks import EarlyStopping,CSVLogger,ModelCheckpoint,ReduceLROnPlateau
import string
import numpy as np
import os
import random
from captcha.image import ImageCaptcha
from plot_model import plot_model

# 字符包含所有數字和所有小寫英文字母，一共 62 個
characters = string.digits + string.ascii_letters
#            數字             字母

# 類別數（62）
classes_num = len(characters)
# 周期數
epochs = 100

# 圖片寬度
width = 160
# 圖片高度
height = 60

# 創建訓練集（驗證碼）
def Create_train_data():
    # 1、創建字符集（字符包含所有數字和所有大小寫英文字母，一共62(10+26+26)個）
    characters = string.digits + string.ascii_letters
    #            數字             英文字母（大小寫）

    # 2、隨機產生驗證碼（共1000個，每個長度為4）
    for i in range(1000):
        verification_list = []

        # 2-1、開始生產隨機字符（4位）
        for j in range(4):
            c = random.choice(characters)   # 隨機選擇（從characters里面隨機抽取）
            verification_list.append(c)

        # 2-2、實體化驗證碼生成器
        image = ImageCaptcha(width=160, height=60)  # 寬：160，高：60

        # 2-3、連接串列字符
        verification_list = ''.join(verification_list)

        # 2-4、生成驗證碼
        image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')


# 創建測驗集（驗證碼）
def Create_test_data():
    # 1、創建字符集（字符包含所有數字和所有大小寫英文字母，一共62(10+26+26)個）
    characters = string.digits + string.ascii_letters
    #            數字             英文字母（大小寫）

    # 2、隨機產生驗證碼（共200個，每個長度為4）
    for i in range(200):
        verification_list = []

        # 2-1、開始生產隨機字符（4位）
        for j in range(4):
            c = random.choice(characters)   # 隨機選擇（從characters里面隨機抽取）
            verification_list.append(c)

        # 2-2、實體化驗證碼生成器
        image = ImageCaptcha(width=160, height=60)  # 寬：160，高：60

        # 2-3、連接串列字符
        verification_list = ''.join(verification_list)

        # 2-4、生成驗證碼
        image.write(verification_list, 'captcha/test/' + verification_list + '.jpg')


# 獲取所有驗證碼圖片路徑和標簽
def get_filenames_and_classes(dataset_dir):
    # 圖片路徑和標簽
    paths ,targets = [], []

    # 獲取每個圖片的路徑和標簽
    for filename in os.listdir(dataset_dir):
        # 1、獲取檔案路徑
        path = os.path.join(dataset_dir, filename)
#                           路徑          檔案名
        # 完成1：保存圖片路徑
        paths.append(path)

        # 2、獲取驗證碼標簽（取檔案名的前 4 位，也就是驗證碼的標簽）
        target = filename[0:4]

        # 定義一個空label（獲取4*62的陣列，用0填充）
        label = np.zeros((4, classes_num), dtype=np.uint8)

        # 3、標簽轉獨熱編碼
        for i, ch in enumerate(target):
        # i:索引 ch:字符
            # 標記(設定標簽)：獨熱編碼 one-hot 格式
            label[i, characters.find(ch)] = 1
            #    陣列索引 字符下標（字符ch在characters中的下標）

        # 完成2：保存獨熱編碼的標簽
        targets.append(label)

    # 回傳圖片路徑和標簽
    return np.array(paths), np.array(targets)


# 影像處理函式
# 輸入：影像路徑、標簽
# 輸出：影像、標簽
def image_function(filenames, label):
    # 1、根據圖片路徑讀取圖片內容
    image = tf.io.read_file(filenames)
    # 2、解碼為jpeg格式、3通道（正規影像）
    image = tf.image.decode_jpeg(image, channels=3)
    # 3、歸一化
    image = tf.cast(image, tf.float32) / 255.0

    # 回傳圖片資料和標簽
    return image, label


# 標簽處理函式
# 獲得每一個批次的圖片資料和標簽
def label_function(image, label):
    # transpose 改變資料的維度，比如原來的資料 shape 是(64,4,62)
    # 這里的 64 是批次大小，驗證碼長度為 4 有 4 個標簽，62 是 62 個不同的字符
    # tf.transpose(label,[1,0,2])計算后得到的 shape 為(4,64,62)
    # 原來的第 1 個維度變成了第 0 維度，原來的第 0 維度變成了 1 維度，第 2 維不變
    # (64,4,62)->(4,64,62)
    label = tf.transpose(label, [1, 0, 2])
    # 回傳圖片內容和標簽，注意這里標簽的回傳，我們的模型會定義 4 個任務，所以這里回傳 4 個標簽
    # 每個標簽的 shape 為(64,62)，64 是批次大小，62 是獨熱編碼格式的標簽
    return image, (label[0], label[1], label[2], label[3])


# 獲取資料（訓練集、測驗集）
def GetData():
    global dataset_train, dataset_test
    # 1、獲取資料和標簽
    # 1-1、獲取訓練集資料和標簽（路徑和標簽）
    train_data, train_target = get_filenames_and_classes("./captcha/train/")# 1000張圖片，長度4

    # 1-2、獲取測驗集資料和標簽（路徑和標簽）
    test_data, test_target = get_filenames_and_classes("./captcha/test/")   # 200張圖片，長度4

    # 1-3、資料組合(影像路徑和標簽)     (創建 dataset 物件，傳入圖片路徑和標簽)
    dataset_train = tf.data.Dataset.from_tensor_slices((train_data, train_target))
    dataset_test = tf.data.Dataset.from_tensor_slices((test_data, test_target))

    # 2、打亂資料
    dataset_train = dataset_train.shuffle(buffer_size=100, reshuffle_each_iteration=True)  # map-可以自定義一個函式來處理每一條資料
    dataset_test = dataset_test.shuffle(buffer_size=20, reshuffle_each_iteration=True)
    #                                     資料緩沖器大小     隨機打亂(是/否)

    # 3、對每條資料進行處理（影像地址->3通道影像->歸一化）
    dataset_train = dataset_train.map(image_function)
    dataset_test = dataset_test.map(image_function)
    # map函式：可以自定義一個函式來處理每一條資料

    # 4、自定義重復周期和批次大小
    dataset_train = dataset_train.repeat(1)         # 資料重復生成 1 個周期
    dataset_test = dataset_test.repeat(1)           # 資料重復生成 1 個周期
    dataset_train = dataset_train.batch(64)         # 定義批次大小64
    dataset_test = dataset_test.batch(64)           # 定義批次大小64

    # 5、處理每批資料
    # 注意這個 map 和前面的 map 有所不同，第一個 map 在 batch 之前，所以是處理每一條資料
    # 這個 map 在 batch 之后，所以是處理每一個 batch 的資料
    dataset_train = dataset_train.map(label_function)
    dataset_test = dataset_test.map(label_function)

    # 獲取一批次資料和標簽
    trainx, trainy = next(iter(dataset_train))
    testx, testy = next(iter(dataset_test))
    # print(trainx)
    # print(trainy)
    # print(testx)
    # print(testy)


# 創建神經網路
def Create_Network():
    # 1、構造resnet50神經網路（50層殘差網路）
    resnet50 = ResNet50(weights='imagenet', include_top=False, input_shape=(height, width, 3))  # 設定輸入
    # weights：權重(imagenet:加載預訓練權重)
    # include_top：是否保留頂層的全連接網路
    # input_shape：指明輸入圖片的shape，僅當include_top=False有效

    # 2、設定輸入層
    inputs = Input((height, width, 3))  # 設定輸入層大小
    x = resnet50(inputs)  # 使用 resnet50 進行特征提取

    # 3、平均池化（壓縮資料）
    x = GlobalAvgPool2D()(x)

    # 4、配置輸出層(多任務學習)
    # 把驗證碼識別的4個字符看成是4個不同的任務，每個任務負責識別1個字符
    x0 = Dense(classes_num, activation='softmax', name='out0')(x)
    x1 = Dense(classes_num, activation='softmax', name='out1')(x)
    x2 = Dense(classes_num, activation='softmax', name='out2')(x)
    x3 = Dense(classes_num, activation='softmax', name='out3')(x)

    # 5、配置模型（輸入層、輸出層）
    model = Model(inputs, [x0, x1, x2, x3])

    # 6、編譯(多任務學習)（損失函式、權重、優化器、監視等等設定）
    # （4個任務我們可以定義4個loss）
    model.compile(loss={'out0': 'categorical_crossentropy',
                        'out1': 'categorical_crossentropy',
                        'out2': 'categorical_crossentropy',
                        'out3': 'categorical_crossentropy'},
                  loss_weights={'out0': 1, 'out1': 1, 'out2': 1, 'out3': 1},
                  optimizer=SGD(lr=0.01, momentum=0.9),
                  metrics=['acc'])
    # loss：損失函式    loss_weights：權重    optimizer：優化器（lr:學習率；momentum:帶動量的梯度下降）
    # metrics：監視(acc)

    # 7、回呼函式（停止訓練、保存資料、保存模型、調整學習率）
    callbacks = [EarlyStopping(monitor='val_loss', patience=6, verbose=1),
                 CSVLogger('Captcha_tfdata.csv'),
                 ModelCheckpoint('Best_Captcha_tfdata.h5', monitor='val_loss', save_best_only=True),
                 ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)]
    # monitor='val_loss'：監控指標'val_loss'
    # EarlyStopping：讓模型停止（6個周期，val_loss沒有下降則訓練結束）
    # CSVLogger： 保存訓練資料
    # ModelCheckpoint：保存模型（保存所有訓練周期中val_loss最低的模型）
    # ReduceLROnPlateau 學習率調整，連續3個周期，val_loss沒有下降，則當前學習率乘以0.1

    # 8、訓練模型
    model.fit(x=dataset_train, epochs=epochs, validation_data=dataset_test, callbacks=callbacks)


if __name__ == '__main__':
    # 一、創建驗證碼資料集
    # 判斷訓練集檔案夾是否為空
    if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\train'):
        Create_train_data()     # 生成驗證碼訓練集
    # 判斷測驗集檔案夾是否為空
    if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\test'):
        Create_test_data()      # 生成驗證碼測驗集

    # 二、獲取資料
    GetData()

    # 三、構造神經網路
    Create_Network()

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/347054.html

標籤：AI

上一篇：Python 大白從零開始 OpenCV 學習課-2.影像讀取與顯示

下一篇：人工智能之數學基礎篇—高等數學基礎（下篇）

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂