Python
Linux 提权-内核利用
本文通过 Google 翻译 Kernel Exploits – Linux Privilege Escalation 这篇文章所产生，本人仅是对机器翻译中部分表达别扭的字词进行了校正及个别注释补充。 导航 0 前言 1 内核简介 2 寻找内核漏洞 2.1 发现内核版本 2.2 手动查找内核漏洞 2.2.1 通过 Google 查找内核漏洞 2.2.2 通过 Searchsploit
windows下python3.9源码构建pycurl 7.44.1解决方案【全流程】
背景 pycurl公司最新的版本只能到7.44.1而这个官方是不支持3.10以上，在使用3.9的时候只能源码构建，而且不好申请入库，且巨难编译，搞了一周左右 源码就是官方download的tar包。 把tar包解压在比如你的项目目录里，我们可以通过python setup.py install来构建 环境准备 python3.9，如果是其他python环境不一定适用 vs20
Python高频面试题解析公开课
如何在激烈的竞争中脱颖而出，成为众多求职者思考的问题。为了帮助大家更好地应对技术类面试挑战，霍格沃兹测试开发学社打造了Python高频面试题解析公开课，为同学们的求职之路添砖加瓦。 主要内容 课程的主要内容涵盖常见Python面试题目解析，如何提升编程能力，如何准备编程相关的面试， Python面试题中常犯的错误细节及应对策略等内容。助您全面备战技术类面试，获得更多就业机会。 分享嘉宾 本次公开课
Python网页爬虫案例（仅供学习）
需求：需要在企查查上，自动批量获取企业的注册资本与成立日期。 解决方案 导入需要的库。 从excel表中获取需要获取的企业名称。 伪装浏览器，模拟手动操作。 进行批量查询。 爬取数据，每个异常处理都是一个获取方法，因为企业改名称或者其他原因，会使需要的数据位置发生改变，所以为了应对情况，多试着获取几个位置。 保存数据。 关闭对象
superAGI核心源码分析
main.py import requests from fastapi import FastAPI, HTTPException, Depends, Request, status, Query from fastapi.middleware.cors import CORSMiddleware from fastapi.responses import JSONResponse from
Redis-持久化、高可用
参考文章： Redis持久化机制详解 Redis详解（二）——AOF Redis 高可用：主从复制、哨兵模式、集群模式 1.缓存三兄弟 “缓存三兄弟”通常是指缓存、持久化和高可用性，这是缓存系统的三个核心概念。 1.1 缓存 缓存是将数据暂时存储在高速访问的存储介质（如内存）中，以提高数据访问速度。 Redis 作为一个内存数据库，主要用于缓存数据。 缓存的优点包括提高系统响应速度和减少数据库负
我有点想用JDK17了
大家好呀，我是summo，JDK版本升级的非常快，现在已经到JDK20了。JDK版本虽多，但应用最广泛的还得是JDK8，正所谓“他发任他发，我用Java8”。 其实我也不太想升级JDK版本，感觉投入高，收益小，不过有一次我看到了一些使用JDK17新语法写的代码，让我改变了对升级JDK的看法，因为这些新语法我确实想用！ 废话不多说，上代码！ 一、JDK17语法新特性 1. 文本块 这个更新非常实用
学习进度条2024-06-03
2024-06-03 所花时间（包括上课） 4h 代码量（行） 900 博客量（篇） 1 了解到的知识点 跟进css学习；初学spring boot；复习python
数据类岗位简历优化及面试指南
描述数据类项目： 描述数据源 在描述数据源时，将数据具体化。量化结果时，对于模型项目，可以将最后的准确率与随机准确率相比，对于分析项目，可以将最终的提升幅度与项目预期或同期的其他项目相比。 描述 改进后 从大量/海量数据中... 从300万元的店铺销售额数据中.... 显著提升 3%的转化率提升 模型准确率达90% 模型准确率达90%,与随机准确率45%相比，有了100%
kafka 如何消费 topic 最新的 n 条数据
使用 kafka 命令行 获取最大的 offset 值和对应的分区信息: 取最大 offset 值减去想要看到的数据条数，作为消费时的 offset 参数值，这里取分区 0，展示 5 条数据 (=15-10) 需要注意的是，如果 topic 数据变动很频繁，这里消费到的数据可能不只 5 条，对此，消费时可以使用 --max-message 参数控制消费到的最大数据量。 使用 python 获取
4、kong-使用konga配置upstream、service、route、target
upstream：虚拟主机名，通过多个目标ip进行负载均衡 target：代表了一个物理服务，是ip+port的抽象 组名对应的后端，可以有多个 service：上游服务的抽象，它可以直接映射到一个物理服务(host指向 ip + port)，也可以指向一个upstream来做到负载均衡; 可以关联upstream的一个名字 route:定义客户端请求规则，他负责将实际的request映射到se
供应链安全论文阅读（一）Backstabber's Knife Collection: A Review of Open Source Software Supply Chain Attacks
引言 该论文Backstabber's Knife Collection: A Review of Open Source Software Supply Chain Attacks发表在2020年的DIMVA上，作者为波恩大学的Marc Ohm。本文是开源软件供应链安全领域较早期的一篇论文，主要针对软件供应链中恶意软件包的威胁进行了详细介绍。 首先简单介绍一下软件供应链安全的概念，在现代化软件
[转帖]好用的Linux诊断工具0x.tools
简介 Linux上有大量的问题诊断工具，如perf、bcc等，但这些诊断工具，虽然功能强大，但却需要很高的权限才可以使用。 而0x.tools这个工具提供了一个很好的思路，通过采样/proc目录来诊断问题，对被测量程序几乎无性能影响，且只要与目标进程拥有同等级的权限，即可正常使用。 不要小看这个权限区别，在互联网大厂，开发同学一般只能获取到一个受限于容器内的shell环境，想
k8s应用一套yaml配置参考
从ingress详情和配置来看，有两个svc，一个svc是ingress在往后调度；另外一个是kong网关专用的，直接在空网关里配置，用nodeip:nodeport方式配置转到kong svc 1、资源 2、配置 3、详情 另外一个应用的yaml参考 ingress service d
笔记3：逻辑回归（分批次训练）
相关库导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn %matplotlib inline 数据读入及预处理 data = pd.read_csv('E:/datasets/dataset/credit-a.csv', head
笔记4：多层感知器（自定义模型）
导入相关库 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F %matplotlib inline 数据预处理 查看数据相关信息 data = pd.read_csv('E
笔记6：多分类问题（练习篇）
导入相关包 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from torch.utils.data import TensorDataset from torch.ut
python代码备忘录
从斐波那契的递归实现到通用递归函数的实现 从上述算法中我们知道，每进入一层递归，递归函数都会在调用自己两次。故此方法实现的 Fibonacci 函数对空间的使用是指数级增长的，并且由 Fibonacci 的公式: f(n) = f(n - 1) + f(n - 2) 我们知道，在下一层计算中有 f(n - 1) = f(n - 2) + f(n - 3) f(n - 2) = f(n - 3)
笔记7：训练过程封装（代码模板）
相关包 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from torch.utils.data import TensorDataset from torch.util
学习笔记8：全连接网络实现MNIST分类（torch内置数据集）
相关包导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from torch.utils.data import TensorDataset from torch.ut
学习笔记9：卷积神经网络实现MNIST分类（GPU加速）
相关包导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from torch.utils.data import TensorDataset from torch.ut
学习笔记10：四种天气识别（ImageFolder数据预处理、Dropout层、BN层）
相关包导入 import torch import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch.nn as nn import torch.nn.functional as F import torchvision from torchvision import datasets, tr
python常用语法
Python 是一种非常流行的编程语言，因其简洁和易读性而备受欢迎。以下是一些 Python 的常用语法，涵盖基本语法、数据类型、控制流、函数、类和模块等内容。 1. 基本语法 1.1 打印输出 1.2 变量赋值 2. 数据类型 2.1 数字 2.2 字符串 2.3 列表 2.4 元组 2.5 字典 2.6 集合 3. 控制流 3.1 条件语句 3.2 循环 4. 函数 5.
学习笔记11：预训练模型
什么是预训练网络 预训练模型就是之前用较大的数据集训练出来的模型，这个模型通过微调，在另外类似的数据集上训练。一般预训练模型规模比较大，训练起来占用大量的内存资源。 微调预训练网络 我们采用vgg16作为预训练模型，来实现上一篇中四种天气的识别。我们可以先来看一下vgg16的网络架构：首先是一系列的卷积层和池化层 然后是一个全局池化层，全局池化层可以取代view全局池化层之后，是分类器，而我们要
学习笔记13：微调模型
resnet预训练模型 resnet模型与之前笔记中的vgg模型不同，需要我们直接覆盖掉最后的全连接层先看一下resnet模型的结构： 我们需要先将所有的参数都设置成requires_grad = False然后再重新定义fc层，并覆盖掉原来的。重新定义的fc层的requires_grad默认为True for p in model.parameters(): p.re
学习笔记12：图像数据增强及学习速率衰减
数据增强 常用数据增强方法： transforms.RandomCrop # 随机位置裁剪 transforms.CenterCrop # 中心位置裁剪 transforms.RandomHorizontalFlip(p = 1) # 随机水平翻转 transforms.RandomVerticalFlip(p = 1) # 随机上下翻转 transforms.RandomRotation