Python
### Python 列表操作详解：从创建、增删到高级技巧全覆盖
1. 创建列表 使用 list 函数 创建空列表: 从字符串创建列表: 从元组创建列表: 从字典创建列表: 从集合创建列表: 从其他可迭代对象创建列表: 2. 增加元素 使用 append() 方法 在列表末尾添加元素: 使用 insert() 方法 在指定位置插入元素: 使用 extend() 方法 扩展列表，添加另一个可迭代对象的所有元素:
学习笔记15：第二种加载数据的方法
构建路径集和标签集 取出所有路径 import glob all_imgs_path = glob.glob(r"E:datasets229-4229-42dataset2dataset2*.jpg") 获得所有标签 species = ['cloudy', 'rain', 'shine', 'sunrise'] all_labels = [] for img in all_imgs_path
学习笔记14：模型保存
保存训练过程中使得测试集上准确率最高的参数 import copy best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0 train_loss = [] train_acc = [] test_loss = [] test_acc = [] for epoch in range(extend_epoch): epo
学习笔记16：残差网络
产生背景 随着网络深度的增加，会出现网络退化的现象。网络退化现象形象化解释是在训练集上的loss不增反降。这说明，浅层网络的训练效果要好于深层网络一个想法就是，如果将浅层网络的特征传到深层网络，那么深层网络的训练效果不会比浅层网络差举个例子，就是假设总共有50层，20层的训练结果就比50层的好了，因此可以将18层与98层之间连接一个直接映射这样随着网络的加深，训练效果就不会降低了 残差块 残差块
学习笔记17：DenseNet实现多分类（卷积基特征提取）
数据集描述 总共200200类图像，每一类图像都存放在一个以类别名称命名的文件夹下，每张图片的命名格式如下图： 数据预处理 首先分析一下我们在数据预处理阶段的目标和工作流程 获取每张图像以及对应的标签 划分测试集和训练集 通过写数据集类的方式，获取数据集并进一步获得DataLoader 打印图片，验证效果 获取图像及标签 all_imgs_path = glob.g
学习笔记18：Inception模型
网络结构 因为主要是学习pytorch，具体原理没有深究。如果将来搞CV的话，可能再回来搞懂吧。 网络结构大概就是，用多个卷积核提取特征，然后将提取到的特征拼接在一起 网络结构如下： 实现思路是，首先定义卷积模型（包括卷积层和BN层），然后再实现Inception的Block（图中所示结构） 卷积模型实现 class BasicConv(nn.Module): def __init__(
学习笔记19：图像定位
图像定位的直观理解 不仅需要我们知道图片中的对象是什么，还要在对象的附近画一个边框，确定该对象所处的位置。 也就是最终输出的是一个四元组，表示边框的位置 图像定位网络架构 可以将图像定位任务看作是一个回归问题！ 数据集介绍 采用Oxford-IIIT数据集 The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，该数据集同时包含宠
学习笔记20：图像语义分割
图像语义分割形象化描述 图像语义分割是指像素级地识别图像，即标注出图像中每个像素所属的对象类别。 目标：一般是将一张RGB图像（height*width*3）或是灰度图（height*width*1）作为输入，输出的是分割图，其中每一个像素包含了其类别的标签（height*width*1） Unet网络架构 Unet的左侧是convolution layers 右侧则是upsampi
### Python 字典操作详解：从创建、增删改查到高级技巧全解析
1. 创建字典 使用大括号 {} 创建空字典 使用 dict 函数创建字典 2. 增加、更新和删除元素 增加或更新元素 删除元素 3. 访问字典元素 4. 字典的其他常用方法 5. 字典的高级技巧 使用字典推导式创建字典 合并字典 总结 字典是 Python 中非常重要的数据结构，它提供了灵活的键值对存储和访问方式。掌握字典的各种操作方法和高级技巧，对于进行数据处理和编程任务至关重
一键云部署：资源编排 ROS 轻松部署文本转语音系统 ChatTTS
ChatTTS是专门为对话场景设计的文本转语音模型，例如LLM助手对话任务。它支持英文和中文两种语言。最大的模型使用了10万小时以上的中英文数据进行训练。ChatTTS webUI & API 为 ChatTTS 提供了网页界面和API服务。 资源编排服务（Resource Orchestration Service, ROS）是阿里云提供基于基础设施即代码（Infrastructure
BUUCTF 12~18 wp
12 刮开有奖 hInstance是句柄（handle），是识别一个资源或者对象的唯一标识符。由操作系统分配管理。 分为HWND窗口句柄，HINSTANCE实例句柄，HDC设备上下文句柄，HANDLE文件句柄，GDI对象句柄（HGDIOBJ） 这里先进行排序，再进行Base64编码，最后按照流程解密 使用IDA时，IDA出现了一个判断错误，把一个指针当成了数据 13 简单注册器 按照流程解密
Zemax and Python联用
透镜面的厚度与材料 单透镜：两个面组成，第一个面赋予材料和厚度——即该透镜的材料和厚度；第二个面不需要赋予材料，其厚度为下一个透镜的空气间隔——即下一个物体的起始点以此厚度末端为原点 胶合透镜：三个面组成，第一个面和第二个面赋予材料和厚度——即该胶合透镜第一个和第二个的材料和厚度；第三个面不需要赋予材料，其厚度为下一个透镜的空气间隔 所以，当一个表面被赋予材料后，说明其下一个表面与其共属于同一
Carmack的快速开平方根倒数算法
基本原理 需求(y =frac{1} {sqrt{x} }) (log(a^b×a^c)=bloga+cloga=(b+c)loga) 32位浮点表示法：二进制的科学计数法 符号位1+阶码8（有符号的反码表示幂指数）+小数位23（二进制小数首位必为1，默认，只需表示小数位即可） 字符串形式：(S_0E_1E_2...E_7E_8M_9M_{10}...M_{30}M_{31})
【转载】python画带方差的折线图（csdn上最简洁的代码之一附上）
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 原文链接：https://blog.csdn.net/a1920993165/article/details/122277716 python画带方差的折线图 画好后效果图（直接一个图的） 实现代码如下 点击查看代码 画好后效果图（在ax子图里面的） 点击查看代码
Excel生成sql语句&Python写入数据到数据库
一、Excel生成sql语句 直接按下图步骤操作即可 二、Python插入数据库表数据 参考博客：https://blog.csdn.net/Q821869063/article/details/136566021 1、用excel表准备一份需要插入的数据，如下图 2、代码源码如下 3、执行代码后，即插入成功 4、遇到的问题解决方案 原有代码的insert语句里是用“%d”格式化处理
国产大语言模型ChatGLM3本地搭建、使用和功能扩展
1、官网 ChatGLM3 2、下载ChatGLM3源码 直接在https://github.com/THUDM/ChatGLM3，下载源码 3、下载模型 如果显卡8G一下建议下载ChatGLM3-6B，ModelScope是国内的，下载比较快 用下面两种方式都可以下载 使用git在MadelScope下载大概半小时左右，看个人网速 4、安装 使用Anaconda Prompt窗口执行以下命
基于ReAct机制的AI Agent
当前，在各个大厂纷纷卷LLM的情况下，各自都借助自己的LLM推出了自己的AI Agent，比如字节的Coze，百度的千帆等，还有开源的Dify。 你是否想知道其中的原理？是否想过自己如何实现一套AI Agent？当然，借助LangChain就可以。 1. 简述AI Agent 何为AI Agent呢？如果拿人来对比的话，半支烟认为AI Agent就是一个会思考和行动的人，其中LLM就是这个人的大脑
python 字节转化为字符串
str() 在字节转化为字符串时，需要显式地提供encoding参数，否则返回的非正式的字符串表示。官方文档是这样说的： 还可以使用decode()方法来将字节转化为字符串 参考资料： Python str()——将数据转换为字符串 (freecodecamp.org)来自为知笔记(Wiz)
vue2.0和vue3.0同时使用
背景：原先电脑上安装了vue2.0和node 14.17.6版本，后面新项目使用的是vue3.0和node 16.6.1。通过nvm 安装node 16.6.1的时候，不小心把原来的2.0环境给搞坏了。 目的：本文将通过文字描述(都是cmd命令，截图感觉没啥意义)的方式，讲述卸载和安装多版本node的vue环境 前言：步骤中所有的命令都通过cmd(以管理员身份启动)执行 一、先
什么是LLM大模型训练，详解Transformer结构模型
本文分享自华为云社区《LLM 大模型学习必知必会系列(四)：LLM训练理论篇以及Transformer结构模型详解》，作者：汀丶。 1.模型/训练/推理知识介绍 深度学习领域所谓的“模型”，是一个复杂的数学公式构成的计算步骤。为了便于理解，我们以一元一次方程为例子解释： 该方程意味着给出常数a、b后，可以通过给出的x求出具体的y。比如： 这个根据x求出y的过程就是模型的推理过程
小D助手最新使用说明
1、工具介绍 1.1、应用场景 重复性鼠标键盘操作 少儿编程 1.2、界面介绍 1.3、脚本操作介绍 新增脚本后，选择脚本后，鼠标右键出来一个菜单，有如下几种操作 2、脚本操作 2.1、选择区域 2.1.1、简介 选择区域操作是全局的，一般在脚本最上面使用，选择区域后，该脚本的所有鼠标操作都是在这个区域里面进行的。选择区域操作可以提升性能，不用每次在整个图片范围内搜索图片，当然针对现在
关于应对SQL注入的处理措施
关于应对SQL注入的处理措施 一、防止SQL注入的手段 使用参数化查询或预编译语句是防止SQL注入的一种重要且有效的编程实践。这一方法的核心在于将SQL命令的结构与用户提供的数据分离，确保数据作为参数传递给查询而不是直接插入到查询字符串中。这样可以防止恶意输入改变查询的逻辑或结构。后文会详细解释这一过程。 二、什么是参数化查询？ 参数化查询是指在构建SQL语句时，不是直接将用户输入插入到SQL字符
Windows bat批处理特殊符号路径处理()圆括号、空格
前言全局说明 Windows bat批处理特殊符号路径处理()圆括号、空格 遇到特殊符号路径报 was unexpected at this time. 错误 一、说明 环境： 下载下文示例脚本： ai_kimi_a1-a5.zip （2KB） 二、带括号的路径 2.1 目的： 判断，路径下 D:tempaa^(1^)desktop.ini 的 ini 文件是否存在。 2.2 源
BUUCTF-WEB(61-65)
[SUCTF 2019]Pythonginx 参考：[SUCTF 2019]Pythonginx 1_cve-2019-9636-CSDN博客 url中的unicode漏洞引发的域名安全问题 - 先知社区 (aliyun.com) 打开看一下源代码吧 我们应该绕过前面两个if，进入第三个if，然后去读取文件 然后就是利用了特殊字符去进行绕过，详情可以看一下参考的链接、 需要构造一个特殊字符，师
neural network structure 神经网络
分类 多层感知神经网络——最基础 卷积神经网络——善于图像识别 长短期记忆网络——善于语音识别 多层感知——数字识别 以一张28*28像素的单个数字图片为例，输出对应0-9  每个像素点的灰度值0-1，即输入为为28*28的矩阵 
17[RoarCTF 2019]Easy Calc 利用PHP的字符串解析特性绕过安全防护软件 - FreeBuf网络安全行业门户 【BUUCTF】 RoarCTF 2019]Easy Calc 详细题解笔记 Writeup_scandir被过滤-CSDN博客 一个计算器，看源码 尝试访问calc.php PHP字符串解析特性绕过WAF 禁用函数了system()：用scandir()、v
Buuctf-Web(27-36)
27[GXYCTF2019]BabyUpload 文件上传漏洞 后缀名、content-type、文件头、标识绕过 先上传一个php文件，不做任何修改 提示我们改后缀名 我们改为jpg 修改content-type为image 加个文件头试试GIF89a(jpg的文件头) 这样的话，猜测是过滤<? php一句话木马变形 php一句话木马变形技巧-CSDN博客 GIF89a? <