主頁 >  其他 > Numpy 高級

Numpy 高級

2022-01-17 21:09:09 其他

目錄

  • 前言
  • 1.資料形狀改變
    • 1.1 陣列變形
    • 1.2 陣列堆疊
    • 1.3 陣列拆分
    • 1.4 陣列轉置
  • 2.廣播機制
    • 2.1 一維陣列的廣播
    • 2.2 二維陣列的廣播
    • 2.3 三維陣列的廣播
  • 3.通用函式
    • 3.1 元素級數字函式
    • 3.2 where函式
    • 3.3排序方法
    • 3.4 集合運算函式
    • 3.5數學和統計函式
  • 4.矩陣運算
    • 4.1 矩陣的乘法
    • 4.2 矩陣的其他運算
  • 5.訓練場
    • 5.1 給定一個4維矩陣，如何得到最后兩維的和？（提示，指定axis進行計算）
    • 5.2 給定陣列[1, 2, 3, 4, 5]，如何得到在這個陣列的每個元素之間插入3個0后的新陣列？
    • 5.3 給定一個二維矩陣（5行4列），如何交換其中兩行的元素（提示：任意調整，花式索引）？
    • 5.4 創建一個100000長度的隨機陣列，使用兩種方法對其求三次方（1、for回圈；2、NumPy自帶方法），并比較所用時間
    • 5.5 創建一個5行3列隨機矩陣和一個3行2列隨機矩陣，求矩陣積
    • 5.6 矩陣的每一行的元素都減去該行的平均值（注意，平均值計算時指定axis，以及減法操作時形狀改變）
    • 5.7 列印出以下函式（要求使用np.zeros創建8*8的矩陣）：
    • 5.8 正則化一個5行5列的隨機矩陣（資料統一變成0~1之間的數字，相當于進行縮小）
    • 5.9 如何根據兩個或多個條件過濾numpy陣列，加載鳶尾花資料，根據第一列小于5.0并且第三列大于1.5作為條件，進行資料篩選，（提示，需要使用邏輯與運算：&）
    • 5.10 計算鳶尾花資料每一行的softmax得分（exp表示自然底數e的冪運算）

前言

本文其實屬于：Python的進階之道【AIoT階段一】的一部分內容，本篇把這部分內容單獨截取出來，方便大家的觀看，本文介紹 NumPy 高級，學習之前需要學習：NumPy入門

1.資料形狀改變

1.1 陣列變形

🚩我們可以使用 reshape() 方法，把陣列任意的進行形狀的變化：

import numpy as np

nd2 = np.random.randint(0, 100, size = (3, 4))

display(nd2)

# 資料重塑 reshape
# 我們的 nd2 是一個三行四列的陣列，我們可以把它變成四行三列
display(nd2.reshape(4, 3))

# 再來舉例，我們把它變成兩行六列
# 方法一：
display(nd2.reshape(2, 6))
# 方法二：
display(nd2.reshape(-1, 6))
# -1 表示的是最后計算：相當于 x * 6 = 3 * 4 ---> x = 2
# -1 適合不關心總數的情況，不關心總數是多少，比較靈活
display(nd2.reshape(-1))
# 相當于 x = 3 * 4 ---> x = 12

1.2 陣列堆疊

🚩我們可以使用 concatenate() 進行陣列的合并：

arr1 = np.random.randint(0, 10, size = (2, 4))
arr2 = np.random.randint(0, 10, size = (2, 4))

display(arr1, arr2)

# 合并，默認進行（xing）行（hang）合并
display(np.concatenate([arr1, arr2]))

# 我們還可以合并多個
display(np.concatenate([arr1, arr2, arr1]))


那么我們是否可以合并一個三行四列的陣列和一個四行三列的陣列呢？

真的沒有辦法了么？其實不然，我們通過觀察這兩個陣列可以發現，雖然這兩個陣列的列數不同，但是這兩個陣列的行數是相同的，故我們可以進行列合并：

arr1 = np.random.randint(0, 10, size = (3, 5))
arr2 = np.random.randint(0, 10, size = (3, 4))

display(arr1, arr2)

# axis = 0(默認值)，代表行
# axis = 1表示列，-1也可以表示
display(np.concatenate([arr1, arr2], axis = 1))
display(np.concatenate([arr1, arr2], axis = -1))

1.3 陣列拆分

🚩使用 split() 函式可以把陣列進行拆分：

nd = np.random.randint(0, 100, size = (6, 9))

display(nd)

# 行拆分
display(np.split(nd, 2)) # 平均拆分為2份
display(np.split(nd, 3)) # 平均拆分為3份


我們還可以不是平均拆分：

nd = np.random.randint(0, 100, size = (6, 9))

display(nd)

# 串列表示按節點進行拆分
np.split(nd, [1, 4, 5])
# 1 切一刀，4 切一刀，5 切一刀
# 分成了 [0, 1) [1, 4) [4, 5) [5, 6)


我們不僅可以拆分行，也可以拆分列，還是和 2.1.2 陣列堆疊 一樣，引數 axis = 0(默認值)，代表行，axis = 1，代表列

nd = np.random.randint(0, 100, size = (6, 9))

display(nd)

np.split(nd, 3, axis = 1) # 平均拆成三分(列拆分)
# 串列表示按節點進行拆分
np.split(nd, [1, 4, 5], axis = 1)
# 1 切一刀，4 切一刀，5 切一刀
# 分成了 [0, 1) [1, 4) [4, 5) [5, 9)

1.4 陣列轉置

🚩對于陣列的轉置，我們可以利用 T 進行轉置，也可以使用 numpy 中的 transpose() 方法：

A = np.random.randint(0, 10, size = (3, 5))

display(A)

# 所謂轉置就是行變列，列邊行
display(A.T)
# 還可以按照下面的方法進行轉置
display(np.transpose(A, axes = [1, 0]))

2.廣播機制

🚩所謂廣播，就是對原本資料的不斷復制，復制到和目標陣列相同的構造的時候，比如我們有一個三行四列的陣列，要加一行四列的陣列，那么一行四列的陣列就會自己復制三份，變成三行四列的陣列，其中每一行都和原本陣列的值相同，變成這種形式之后，再和原三行四列的陣列進行相加運算，下面，我們從三個方面進行代碼演示：一維陣列的廣播，二維陣列的廣播，三維陣列的廣播，

2.1 一維陣列的廣播

arr1 = np.random.randint(0, 10, size = (5, 3))
arr2 = np.arange(1, 4)

display(arr1, arr2)

# arr1 有五行，arr2 只有一行
# 它們倆的相加就是通過廣播機制
# 廣播機制：arr2 變身，變成了五份(一模一樣)
# 每一份對應每一行的相加
arr1 + arr2

2.2 二維陣列的廣播

arr3 = np.random.randint(0, 10, size = (4, 5))

# 計算每一行的平均值
arr4 = arr3.mean(axis = 1)

display(arr3, arr4)

# 注意 arr3 每一行5個數，arr4一行中為4個數
arr3 - arr4 # 形狀不匹配，所以報錯


因為形狀不匹配的原因，故會報錯，我們可以使用 2.1.1 陣列變形 中的 reshape() 方法，對陣列進行更改：

arr3 = np.random.randint(0, 10, size = (4, 5))

# 計算每一行的平均值
arr4 = arr3.mean(axis = 1)

display(arr3, arr4)

# 形狀改變，arr4改為了四行一列
display(arr4.reshape(4, 1))
# arr3為四行五列
arr3 - arr4.reshape(4, 1)

2.3 三維陣列的廣播

import numpy as np 
arr1 = np.array([0,1,2,3,4,5,6,7]*3).reshape(3,4,2) #shape(3,4,2) 
arr2 = np.array([0,1,2,3,4,5,6,7]).reshape(4,2) #shape(4,2) 

print('三維陣列：')
display(arr1)
print('二維陣列：')
display(arr2)

arr3 = arr1 + arr2 # arr2陣列在0維上復制3份 shape(3,4,2) 
arr3


3.通用函式

3.1 元素級數字函式

🚩NumPy 中和數學相關的函式有很多：abs、sqrt、square、exp、log、sin、cos、tan，maxinmum、minimum、all、any、inner、clip、round、trace、ceil、floor，下面我們挑幾個常用的進行代碼演示，感興趣的讀者可以自己搜索其他函式的用法并實踐，這里不做過多演示：

# 圓周率
display(np.pi)

# 計算 sin90°
display(np.sin(90))  # 這是不合法的，90是int型，而非度數
display(np.sin(np.pi / 2))  # pi 是 180°，故 pi / 2 就代表 90°

# 計算 cos90°
display(np.cos(np.pi / 2))


一個很有意思的現象出現了，計算 cos90°的結果并不顯示0，而是顯示e-7，這是因為我們在計算的程序中會有精度問題，故我們一般表示0即當一個數小于一個很小的數的時候，我們就認為這個數為0，我們可以使用 round(n) 函式讓它保留n位小數：

# 保留一位小數：
display(np.cos(np.pi / 2).round(1))
# 保留五位小數：
display(np.cos(np.pi / 2).round(5))


可以看到，就算我們保留五位小數，依舊是0，故我們認為這個數是0

# 開平方
display(np.sqrt(1024))

# 平方
display(np.square(8))

# 冪運算
display(np.power(2, 3)) # 計算2的3次方

# log運算
display(np.log2(16))  # 計算log以2為底16的對數


# 依次比較兩個等長陣列，回傳對應位置元素的最大值
x = np.array([6, 6, 0, 7, 2, 5]) 
y = np.array([9, 5, 6, 3, 4, 2]) 
display(np.maximum(x, y))

# 依次比較兩個等長陣列，回傳對應位置元素的最小值
x = np.array([6, 6, 0, 7, 2, 5]) 
y = np.array([9, 5, 6, 3, 4, 2])
display(np.minimum(x, y))


# 回傳一維陣列向量內積
arr = np.random.randint(0, 10, size = (2, 2)) 
display(arr)
np.inner(arr[0], arr)


a = 6.66666

# 向上取整
display(np.ceil(a))

# 向下取整
display(np.floor(a))


# 裁剪，小于就拔高，大于就降低
arr = np.random.randint(0, 30, size = 20)
display(arr)

# 10：小于10：變成10；
# 20：大于20：變成20
np.clip(arr, 10, 20)

3.2 where函式

import numpy as np 

arr1 = np.array([9, 7, 9, 9, 6]) 
arr2 = np.array([2, 1, 2, 0, 6]) 
cnt = np.array([False, False, True, False, True]) 

# 根據條件進行篩選
display(np.where(cnt,arr1,arr2)) # True選擇arr1，False選擇arr2的值

arr3 = np.random.randint(0, 30, 20)
display(arr3)

# 如果 arr3 的元素值小于15就輸出，否則輸出-15
display(np.where(arr3 < 15, arr3, -15))

3.3排序方法

🚩NumPy中還提供了排序方法，排序方法是就地排序，即直接改變原陣列：
arr.sort()、np.sort()、arr.argsort()

import numpy as np 

arr = np.array([14, 9, 13, 13, 18, 18, 18, 7, 5, 11]) 

# 直接讓原陣列從小到大進行排序
arr.sort() 
display(arr)

# 回傳深拷貝排序結果 
np.sort(arr)
arr = np.array([14, 9, 13, 13, 18, 18, 18, 7, 5, 11]) 
display(arr)

# 回傳從小到大排序的索引
display(arr.argsort())

3.4 集合運算函式

A = np.array([6, 8, 9, 1, 4])
B = np.array([3, 6, 5, 7, 1]) 

# 計算交集
display(np.intersect1d(A, B))

# 計算并集
display(np.union1d(A, B))

# 計算差集
display(np.setdiff1d(A, B))

3.5數學和統計函式

🚩我們挑幾個常用的函式進行代碼演示，剩余的函式有興趣的讀者可以自行查閱用法自己演示，min、max、mean、median、sum、std、var、cumsum、cumprod、argmin、argmax、argwhere、cov、corrcoef

import numpy as np 
arr1 = np.array([5, 90, 87, 35, 23,  6, 39, 39, 99, 79, 72, 94, 97, 13, 84]) 

# 計算陣列中的最小值
display(arr1.min())

# 計算陣列中的最大值的索引
display(arr1.argmax())

# 回傳大于40的元素的索引
display(np.argwhere(arr1 > 40))

# 計算陣列的累加和
display(np.cumsum(arr1))

arr2 = np.random.randint(0, 10,size = (4, 5))
display(arr2)

# 計算列的平均值
display(arr2.mean(axis = 0))

# 計算行的平均值
display(arr2.mean(axis = 1))

# 協方差矩陣
display(np.cov(arr2, rowvar = True))

# 相關性系數
display(np.corrcoef(arr2, rowvar = True))

4.矩陣運算

4.1 矩陣的乘法

#矩陣的乘積(點乘)
A = np.array([[2, 1, 7], 
              [6, 3, 4]]) # shape(2, 3) 
B = np.array([[4, 3], 
              [0, 9], 
              [-5, -8]]) # shape(3, 2) 
# 第一種方法 
display(np.dot(A,B))
# 第二種方法
display(A @ B) # 符號 @ 表示矩陣乘積運算
# 第三種方法
display(A.dot(B))

4.2 矩陣的其他運算

np.set_printoptions(suppress = True) # 不使用科學計數法

from numpy.linalg import inv,det,eig,qr,svd 

A = np.array([[1, 2, 3], 
              [2, 3, 1], 
              [3, 2, 1]]) # shape(3, 3) 

# 求逆矩陣
B = inv(A)  # B 就是 A 的逆矩陣
display(B)
display(A.dot(B))

# 求矩陣的行列式
display(det(A))

5.訓練場

5.1 給定一個4維矩陣，如何得到最后兩維的和？（提示，指定axis進行計算）

import numpy as np

arr = np.random.randint(0, 10, size = (2, 3, 4, 5))

display(arr)

display(arr.sum(axis = 0))  # 第0維的資料進行加和
display(arr.sum(axis = 1))  # 第1維的資料進行加和
display(arr.sum(axis = -1)) # 最后一維的資料進行加和

# 最后兩維的和
# 寫法一：
display(arr.sum(axis = (-1, -2)))
# 寫法二：
display(arr.sum(axis = (2, 3)))

5.2 給定陣列[1, 2, 3, 4, 5]，如何得到在這個陣列的每個元素之間插入3個0后的新陣列？

import numpy as np

arr1 = np.arange(1, 6)
display(arr1)

# 每個元素之間插入3個0，共插入3*4=12個0
# 再加上初始的5個值，共需要17個位置
# 創建一個長度為17的全部是0的陣列
arr2 = np.zeros(shape = 17, dtype = np.int16)
display(arr2)

# 有間隔的，每4個取一個，取出資料并進行替換
arr2[::4] = arr1
display(arr2)

5.3 給定一個二維矩陣（5行4列），如何交換其中兩行的元素（提示：任意調整，花式索引）？

import numpy as np

arr = np.random.randint(0, 100, size = (5, 4))
display(arr)

# 使用花式索引進行交換
arr = arr[[0, 2, 1, 3, 4]]
display(arr)

5.4 創建一個100000長度的隨機陣列，使用兩種方法對其求三次方（1、for回圈；2、NumPy自帶方法），并比較所用時間

%%time：可以顯示代碼的運行時間，這個執行時間會和電腦的性能掛鉤
使用 for 回圈

%%time
import numpy as np

arr = np.random.randint(0, 10, size = 100000)
res = []

for item in arr:
    res.append(item ** 3)

使用NumPy自帶方法

%%time
import numpy as np

arr = np.random.randint(0, 10, size = 100000)
res = []

arr2 = np.power(arr, 3)


可以發現，使用 NumPy 自帶方法運行效率要遠遠高于使用 for 回圈

5.5 創建一個5行3列隨機矩陣和一個3行2列隨機矩陣，求矩陣積

import numpy as np

A = np.random.randint(0, 10, size = (5, 3))
B = np.random.randint(0, 10, size = (3, 2))
display(A, B)

# 呼叫 NumPy 函式 dot
print('方式一：\n', np.dot(A, B))
# 呼叫物件方法
print('方式二：\n', A.dot(B))
# 使用符號計算
print('方式三：\n', A @ B)

5.6 矩陣的每一行的元素都減去該行的平均值（注意，平均值計算時指定axis，以及減法操作時形狀改變）

import numpy as np

A = np.random.randint(0, 10, size = (4, 5))
display(A)

# 計算每一行的平均值：
B = A.mean(axis = 1)
display(B)
# 需要注意，我們計算的平均值是一行四列

# 但是我們要讓每一行的元素都減去該平均值
# 這就需要我們讓其形狀改變為四列一行
B = B.reshape(-1, 1) 

# 然后利用廣播機制，即可進行計算
display(A - B)

5.7 列印出以下函式（要求使用np.zeros創建8*8的矩陣）：

[[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]]

import numpy as np

arr = np.zeros(shape = (8, 8), dtype = np.int16)

# 將奇數行進行修改
arr[::2, 1::2] = 1
# 將偶數行進行修改
arr[1::2, ::2] = 1

display(arr)

5.8 正則化一個5行5列的隨機矩陣（資料統一變成0~1之間的數字，相當于進行縮小）

正則的概念：矩陣A中的每一列減去這一列最小值，除以每一列的最大值減去每一列的最小值（提示：
軸axis給合適的引數！！！）

A = A ? A . m i n A . m a x ? A . m i n \rm{A = \frac{A - A.min}{A.max - A.min}} A=A.max?A.minA?A.min?

import numpy as np

A = np.random.randint(1, 10, size = (5, 5))
display(A)

# axis = 1 代表行
display(A.min(axis = 1))
# axis = 0 代表列
display(A.min(axis = 0))

# 根據公式計算
B = (A - A.min(axis = 0)) / (A.max(axis = 0) - A.min(axis = 0))
display(B)

5.9 如何根據兩個或多個條件過濾numpy陣列，加載鳶尾花資料，根據第一列小于5.0并且第三列大于1.5作為條件，進行資料篩選，（提示，需要使用邏輯與運算：&）

我們的資料：

鏈接：https://pan.baidu.com/s/1VaPHJa6YttfnedO0ewDRtQ
提取碼：5u92

我們在下載好資料之后，把它移入到我們如下檔案夾中：（直接下載到桌面后，找到該檔案夾的位置，然后拖進去即可）


首先我們來介紹一下 .csv 檔案，它其實就是一個文本檔案，我們打開它（默認打開路徑為Excel）

我們也可以選擇打開方式為記事本方式：

通過觀察不難看出，資料之間通過,相隔

接下來介紹一個新方法：loadtxt()，其作用為加載資料，比如：np.loadtxt('./iris.csv', delimiter = ',')，其作用為打開路徑'./iris.csv'的檔案，這些資料直接通過,進行分隔，

import numpy as np

# 加載了文本檔案，儲存資料都是結構化資料
iris = np.loadtxt('./iris.csv', delimiter = ',')

display(iris)


可以看出，這些資料是以二維陣列的形式展開的，每一維都有四個資料，分別代表：花萼長度，花萼寬度，花瓣長度，花瓣寬度

import numpy as np

# 加載了文本檔案，儲存資料都是結構化資料
# 花萼長度、花萼寬度、花瓣長度、花瓣寬度
iris = np.loadtxt('./iris.csv', delimiter = ',')

# 第一列小于5.0
cnt1 = iris[:, 0] < 5
# 第三列大于1.5
cnt2 = iris[:, 2] > 1.5
# 邏輯與運算
cnt = cnt1 & cnt2

display(iris[cnt])

5.10 計算鳶尾花資料每一行的softmax得分（exp表示自然底數e的冪運算）

import numpy as np

iris = np.loadtxt('./iris.csv', delimiter = ',')

def softmax(x):
    exp = np.exp(x)
    # 每一行求和，并且進行形狀改變（變成二維，可進行廣播）
    # axis = 1 表示計算每一行的和
    res = exp / exp.sum(axis = 1).reshape(-1, 1)
    return res.round(3) # 保留3位小數

res = softmax(iris)
display(res)

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/413611.html

標籤：其他

上一篇：IaaS開源軟體之zstack(OSC中國開源專案的TOP30)

下一篇：從施耐德的M262 談PLC 處理器的演進

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