主頁 >  其他 > 《動手學深度學習》pytorch版 第二章練習

《動手學深度學習》pytorch版 第二章練習

2022-01-28 08:10:12 其他

Dive Into Deep Learning

  • 2. 預備知識
    • 2.1 資料操作
      • 第一題
      • 第二題
    • 2.2 資料預處理
      • 第一題
    • 2.3 線性代數
      • 第一題
      • 第二題
      • 第三題
      • 第四題
      • 第五題
      • 第六題
      • 第七題
      • 第八題
    • 2.4 微積分
      • 第一題
      • 第二題
      • 第三題
      • 第四題
    • 2.5 自動微分
      • 第一題
      • 第二題
      • 第三題
      • 第四題
      • 第五題
    • 2.6 概率
      • 第一題
      • 第二題
      • 第三題
      • 第四題

（剛剛開始學習深度學習，爭取把節課的練習都記錄下來，菜雞一個，如果哪個地方有錯誤或是沒有理解到位煩請各位大佬指教）

2. 預備知識

2.1 資料操作

第一題

運行本節中的代碼，將本節中的條件陳述句X == Y更改為X < Y或X > Y，然后看看你可以得到什么樣的張量

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
X < Y, X > Y

運行結果

	(tensor([[ True, False,  True, False],
         [False, False, False, False],
         [False, False, False, False]]),
    tensor([[False, False, False, False],
         [ True,  True,  True,  True],
         [ True,  True,  True,  True]]))

第二題

用其他形狀（例如三維張量）替換廣播機制中按元素操作的兩個張量，結果是否與預期相同？

若為 (2x1x3) + (1x3x2) 則報錯

a = torch.tensor([[[1,2,3]],[[5,3,5]]])  # 2x1x3
b = torch.tensor([[[1,2],[3,5],[6,7]]])  # 1x3x2
a + b

---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
Input In [103], in <module>
      1 a = torch.tensor([[[1,2,3]],[[5,3,5]]])
      2 b = torch.tensor([[[1,2],[3,5],[6,7]]])
----> 3 a + b

RuntimeError: The size of tensor a (3) must match the size of tensor b (2) at non-singleton dimension 2

若為(1x2x3) + (2x1x3)

a = torch.tensor([[[1, 2, 3], [4, 5, 6]]])  # 1x2x3
b = torch.tensor([[[7, 8, 9]], [[4, 5, 6]]])  # 2x1x3
a + b

結果為(2x2x3)

tensor([[[ 8, 10, 12],
         [11, 13, 15]],

        [[ 5,  7,  9],
         [ 8, 10, 12]]])

關于廣播機制，參考pytorch官方給出的解釋：
1.每個張量至少有一個維度，
2.在迭代維度大小時，從尾隨維度開始，維度大小必須相等，其中之一為 1，或者其中之一不存在，
站內找到了<狗狗狗大王>的一篇文章解釋的非常詳細：

前提2: 按順序看兩個張量的每一個維度，x和y每個對應著的兩個維度都需要能夠匹配上，什么情況下算是匹配上了？滿足下面的條件就可以：
if 這兩個維度的大小相等
elif 某個維度 一個張量有，一個張量沒有
elif 某個維度 一個張量有，一個張量也有但大小是1

2.2 資料預處理

os.makedirs(dir_name2, exist_ok=True) 可以遞回的創建檔案夾
exist_ok引數為True時，判斷若檔案夾存在就不創建

os.path.join() 拼接檔案路徑

第一題

創建包含更多行和列的原始資料集，(1) 洗掉缺失值最多的列，(2) 將預處理后的資料集轉換為張量格式，

import os
import pandas as pd
import torch

os.makedirs(os.path.join('..', '2.1', 'data2'), exist_ok=True)
data_file = os.path.join('..', '2.1', 'data2', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Floor,Price\n')
    f.write('NA,Pave,2,127500\n')
    f.write('2,NA,1,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,2,140000\n')
    f.write('NA,NA,2,152000\n')
data = pd.read_csv(data_file)
inputs, outputs = data.iloc[:, 0:3], data.iloc[:, 3]

num = inputs.isnull().sum() # 獲取缺失值最多的個數
Max_NaN = inputs.isnull().sum().idxmax()  # 獲取缺失值最多個數的索引
inputs = inputs.drop(Max_NaN, axis=1) # 在inputs里洗掉缺失值最多的項
inputs = inputs.fillna(inputs.mean()) # 用同一列的均值替換該列的缺失項
inputs = pd.get_dummies(inputs, dummy_na=True)

x, y = torch.tensor(inputs.values), torch.tensor(outputs.values)  # 轉化為張量形式

運行結果

(tensor([[3.0000, 2.0000],
         [2.0000, 1.0000],
         [4.0000, 1.7500],
         [3.0000, 2.0000],
         [3.0000, 2.0000]], dtype=torch.float64),
 tensor([127500, 106000, 178100, 140000, 152000]))

df.isnull().sum()?????? 統計每列含有多少行數的null值，回傳行數
.idxmax()?????????獲取pandas中series最大值對應的索引，
drop函式默認洗掉行，列需要加axis = 1

2.3 線性代數

第一題

證明一個矩陣 A 的轉置的轉置是 A ，即 (AT)T=A

A = torch.randn(4, 3)
A == A.T.T

運行結果

tensor([[True, True, True],
        [True, True, True],
        [True, True, True],
        [True, True, True]])

第二題

給出兩個矩陣 A 和 B ，證明“它們轉置的和”等于“它們和的轉置”，即 AT+BT=(A+B)T

A = torch.arange(12).reshape(3,4)
B = torch.randn(3,4)
A.T + B.T == (A + B).T

運行結果

tensor([[True, True, True],
        [True, True, True],
        [True, True, True],
        [True, True, True]])

第三題

給定任意方陣 A ， A+AT總是對稱的嗎?為什么?

A = torch.randn(4, 4)
(A + A.T).T == (A + A.T)

運行結果

tensor([[True, True, True, True],
        [True, True, True, True],
        [True, True, True, True],
        [True, True, True, True]])

第四題

我們在本節中定義了形狀 (2,3,4) 的張量X，len(X)的輸出結果是什么？

X = torch.arange(24).reshape(2, 3, 4)
len(X)

運行結果

2

第五題

對于任意形狀的張量X,len(X)是否總是對應于X特定軸的長度?這個軸是什么?

X = torch.arange(24).reshape(2, 3, 4)  # 2x3x4張量
Y = torch.arange(24).reshape(4, 6)  # 4X6張量
Z = torch.ones(1)   # 1維張量
len(X), len(Y), len(Z)

運行結果

2  4  6

len()???回傳tensor第零維的長度

第六題

運行A / A.sum(axis=1)，看看會發生什么，你能分析原因嗎？

  1. 若A為方陣
A = torch.arange(16).reshape(4, 4)  # 4X4
A / A.sum(axis=1)

運行結果

tensor([[0.0000, 0.0455, 0.0526, 0.0556],
        [0.6667, 0.2273, 0.1579, 0.1296],
        [1.3333, 0.4091, 0.2632, 0.2037],
        [2.0000, 0.5909, 0.3684, 0.2778]])
  1. 若A不為方陣
A = torch.arange(12).reshape(3, 4)  # 3X4
B = torch.arange(12).reshape(4, 3)  # 4x3
A / A.sum(axis=1)  # 或 B / B.sum(axis=1)

運行結果

RuntimeError                              Traceback (most recent call last)
Input In [78], in <module>
----> 1 A / A.sum(axis=1)

RuntimeError: The size of tensor a (4) must match the size of tensor b (3) at non-singleton dimension 1

若A為方陣，A.sum(axis=1)為沿著1軸降維，結果與A陣的長度相等，可以進行矩陣按元素的除法操作
若A不是方陣，A.sum(axis=1)為沿著1軸降維，結果與A陣的長度不相等，所以無法按元素進行運算

第七題

考慮一個具有形狀 (2,3,4) 的張量，在軸0、1、2上的求和輸出是什么形狀?

A = torch.arange(24).reshape(2,3,4)  # 2x3x4
A.sum(axis=0).shape, A.sum(axis=1).shape, A.sum(axis=2).shape

運行結果

torch.Size([3, 4])
torch.Size([2, 4])
torch.Size([2, 3])

在這里插入圖片描述

??????????????????????在軸0，1，2上求和分別為沿著z,x,y軸壓縮后的形狀

第八題

為linalg.norm函式提供3個或更多軸的張量，并觀察其輸出，對于任意形狀的張量這個函式計算得到什么?

A, B = torch.randn(2,3,4), torch.randn(3, 4)
outputs1 = torch.linalg.norm(A)  # 2x3x4張量
outputs2 = torch.linalg.norm(B)  # 3x4張量
A, B, outputs1, outputs2

運行結果

(tensor([[[ 2.1417, -1.2939, -0.0506,  0.0582],
          [ 0.9437,  0.3785, -0.0736, -0.1000],
          [-0.2323,  1.3399,  0.6603,  0.8154]],
 
         [[-0.1303, -0.4355, -0.2770,  1.8112],
          [ 0.7443, -0.1177,  0.8033,  0.0264],
          [ 0.5158, -0.1448, -0.7694, -0.5072]]]),
 tensor([[-1.1264,  0.0546,  0.4413, -0.1869],
         [-1.7601, -0.4381, -0.2288, -1.7541],
         [-0.1453,  1.0307, -0.8918,  0.7459]]),
 tensor(4.0225),
 tensor(3.2180))

相當于求L2范數，可表示張量的大小

2.4 微積分

第一題

繪制函式 y = f ( x ) = x 3 ? 1 x y=f(x)=x^{3}-\frac{1}{x} y=f(x)=x3?x1?和其在 x = 1 x=1 x=1處切線的影像，

plot(x, [x ** 3 - 1 / x, 4 * x - 4], 'x', 'f(x)', legend=['f(x)', 'Tangent line (x=1)'])

運行結果

在這里插入圖片描述

第二題

求函式 f ( x ) = 3 x 1 2 + 5 e x 2 f(x)=3x_{1}^{2}+5e^{x_{2}} f(x)=3x12?+5ex2?的梯度，

[ 6 x 1 6x_{1} 6x1?, 5 e x 2 5e^{x_{2}} 5ex2?]???分別對第一項的x1和第二項的x2求導??梯度為向量形式

第三題

函式 f ( x ) = ∥ x ∥ 2 f(x)=\left \| x \right \|_{2} f(x)=∥x∥2?的梯度是什么？

? f ( x ) ? x = ? ∥ x ∥ 2 ? x = x ∥ x ∥ 2 \frac{\partial f(x)}{\partial x}=\frac{\partial \left \| x \right \|_{2}}{\partial x}=\frac{x}{\left \| x \right \|_{2}} ?x?f(x)?=?x?∥x∥2??=∥x∥2?x?

L2范數可看成 x 2 \sqrt{x^{2}} x2 ?, 則 f ( x ) f(x) f(x)梯度為 x 2 \sqrt{x^{2}} x2 ?對 x x x求導： f ′ ( x ) = 2 x 2 x 2 = x x 2 = x ∥ x ∥ 2 f^{'}(x)=\frac{2x}{2\sqrt{ x^{2}}}=\frac{x}{\sqrt{x^{2}}}=\frac{x}{\left \| x \right \|_{2}} f′(x)=2x2 ?2x?=x2 ?x?=∥x∥2?x?

第四題

你可以寫出函式 u = f ( x , y , z ) u=f(x,y,z) u=f(x,y,z)，其中 x = x ( a , b ) x=x(a,b) x=x(a,b) ， y = y ( a , b ) y=y(a,b) y=y(a,b)， z = z ( a , b ) z=z(a,b) z=z(a,b) 的鏈式法則嗎?

d u d a = d u d x d x d a + d u d y d y d a + d u d z d z d a \frac{du}{da}=\frac{du}{dx}\frac{dx}{da}+\frac{du}{dy}\frac{dy}{da}+\frac{du}{dz}\frac{dz}{da} dadu?=dxdu?dadx?+dydu?dady?+dzdu?dadz?
d u d b = d u d x d x d b + d u d y d y d b + d u d z d z d b \frac{du}{db}=\frac{du}{dx}\frac{dx}{db}+\frac{du}{dy}\frac{dy}{db}+\frac{du}{dz}\frac{dz}{db} dbdu?=dxdu?dbdx?+dydu?dbdy?+dzdu?dbdz?

2.5 自動微分

requires_grad是Pytorch中通用資料結構Tensor的一個屬性，用于說明當前量是否需要在計算中保留對應的梯度資訊

在這里插入圖片描述

向量x求和，相當于向量乘一個單位向量E，故求梯度后為1

第一題

為什么計算二階導數比一階導數的開銷要更大？

因為計算二階倒數需要先計算出一階導數

第二題

在運行反向傳播函式之后，立即再次運行它，看看會發生什么，

import torch

x = torch.arange(4.0, requires_grad=True)
y = 2 * torch.dot(x, x)
y.backward()
y.backward()  # 立即再執行一次反向傳播
x.grad

運行結果

RuntimeError: Trying to backward through the graph a second time, but the saved intermediate results have already been freed. Specify retain_graph=True when calling .backward() or autograd.grad() the first time.  # 在試圖第二次反向傳播時，第一次反向傳播的結果已經被釋放了

在第一次 .backward時指定retain graph=True

import torch

x = torch.arange(4.0, requires_grad=True)
y = 2 * torch.dot(x, x)
y.backward(retain_graph=True)  # 保留計算圖不被釋放
y.backward()
x.grad

運行結果

tensor([ 0.,  8., 16., 24.])

pytorch默認不能連續執行反向傳播，如需線序執行需要更新x.grad

第三題

在控制流的例子中，我們計算d關于a的導數，如果我們將變數a更改為隨機向量或矩陣，會發生什么？

import torch

def f(a):
    b = a * 2
    while b.norm() < 1000:
        b = b * 2
    if b.sum() > 0:
        c = b
    else:
        c = 100 * b
    return c

a = torch.randn(size=(2,2), requires_grad=True)  # a為2x2
d = f(a)
d.backward()

運行結果

RuntimeError: grad can be implicitly created only for scalar outputs  # 不對向量或矩陣進行反向傳播

對于非標量（向量或矩陣）來說，需要指定gradient的長度與其長度相匹配

第四題

重新設計一個求控制流梯度的例子，運行并分析結果，

import torch

def f(a):
    b = a / 2
    while b > 1:
        b = pow(a, 2)
    if b < 3:
        c = b * 2
    else:
        c = b * 3
    return c

a = torch.randn(size=(), requires_grad=True)
d = f(a)
d.backward()
a.grad == d / a

運行結果

tensor(True)

與2.5.4例子思想一致

第五題

使 f ( x ) = s i n ( x ) f(x)=sin(x) f(x)=sin(x)，繪制 f ( x ) f(x) f(x) 和 d f ( x ) d x \frac{df(x)}{dx} dxdf(x)? 的影像，其中后者不使用 f ′ ( x ) = c o s ( x ) f^{'}(x)=cos(x) f′(x)=cos(x)

錯誤代碼

import torch
import matplotlib.pyplot as plt
import numpy as np
x = torch.arange(-3*np.pi, 3*np.pi, 0.1,requires_grad=True)
y = torch.sin(x)

y.sum().backward()

plt.plot(x, y, label='y=sin(x)') 
plt.plot(x, x.grad, label='dsin(x)=cos(x)') 
plt.legend(loc='upper center')
plt.show()

報錯：

RuntimeError: Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.

不能對將要grad的張量呼叫numpy()，應用tensor.detach().numpy()來代替

錯誤代碼

y.backward()

報錯：

grad can be implicitly created only for scalar outputs

y為標量時可進行反向傳播，每一個輸入x對應一個標量輸出y*，故將 y.sum 可得到一個標量

import torch
import matplotlib.pyplot as plt
import numpy as np
x = torch.arange(-3*np.pi, 3*np.pi, 0.1,requires_grad=True)
y = torch.sin(x)

y.sum().backward()

plt.plot(x.detach(), y.detach(), label='y=sin(x)') 
plt.plot(x.detach(), x.grad, label='dsin(x)=cos(x)') 
plt.legend(loc='upper center')
plt.show()

運行結果
在這里插入圖片描述

2.6 概率

%matplotlib inline 為魔法函式： IPython有一組預先定義好的所謂的魔法函式，可以通過命令列的語法形式來訪問它們，“%”后就是魔法函式的引數
該函式的功能是內嵌繪圖，并且省掉了plt.show()

torch.cumsum(input, dim, *, dtype=None, out=None) ?? 回傳維度dim中輸入元素的累計和

第一題

進行 m=500 組實驗，每組抽取 n=10 個樣本，改變 m 和 n ，觀察和分析實驗結果，
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

增加m或增加n都會增加樣本容量，這樣會使結果更加趨向于真實的概率

第二題

給定兩個概率為 P(A) 和 P(B) 的事件，計算 P(A∪B) 和 P(A∩B) 的上限和下限，

在這里插入圖片描述

在這里插入圖片描述

在這里插入圖片描述
在這里插入圖片描述

第三題

假設我們有一系列隨機變數，例如 A 、 B 和 C ，其中 B 只依賴于 A ，而 C 只依賴于 B ，你能簡化聯合概率 P(A,B,C) 嗎？

馬爾可夫鏈是一組具有馬爾可夫性質的離散隨機變數的集合，具體地，對概率空間 ( ? , F , P ) (\mho ,F,\mathbb{P}) (?,F,P)內以一維可數集為指數集（index set） 的隨機變數集合 X = { X n : n > 0 } X=\left \{ X_{n}:n>0 \right \} X={Xn?:n>0}，若隨機變數的取值都在可數集內： X = s i , s i ∈ s X=s_{i},s_{i}\in s X=si?,si?∈s ，且隨機變數的條件概率滿足如下關系： P ( X t + 1 ∣ X t , . . . , X 1 ) = P ( X t + 1 ∣ X t ) P(X_{t+1}|X_{t},...,X_{1})=P(X_{t+1}|X_{t}) P(Xt+1?∣Xt?,...,X1?)=P(Xt+1?∣Xt?)

????????????????? P ( A B C ) = P ( A ) P ( B ∣ A ) P ( C ∣ B A ) = P ( A ) P ( B ∣ A ) P ( C ∣ B ) P(ABC)=P(A)P(B|A)P(C|BA)=P(A)P(B|A)P(C|B) P(ABC)=P(A)P(B∣A)P(C∣BA)=P(A)P(B∣A)P(C∣B)

在這里插入圖片描述
見 2022版《張宇概率論與數理統計9講》P7，4.注

第四題

在 2.6.2.6節中，第一個測驗更準確，為什么不運行第一個測驗兩次，而是同時運行第一個和第二個測驗?

因為每次測驗的特征不一樣，就會導致每次測驗受不同的影響，若運行兩次第一個測驗則會造成這種影響的疊加，同時運行第一個和第二個測驗能夠很有效的抵消這種影響，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/421850.html

標籤：AI

上一篇：[Python從零到壹] 三十七.影像處理基礎篇之影像融合處理和ROI區域繪制

下一篇：2022年的第一篇程式人生。。。

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