# 文本预处理 # 读取数据集 import collectionsimport refrom d2l import torch as d2ld2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt','090b5e7e70c295757f55df93cb0a180b9691891a')def read_time_machine(): with open(d2l.download('time_machine'),'r') as f: lines...

# 序列模型 # 训练 import torchfrom torch import nnfrom d2l import torch as d2limport matplotlib.pyplot as pltT = 1000time = torch.arange(1,T + 1,dtype=torch.float32)x = torch.sin(0.01*time) + torch.normal(0,0.2,(T,))d2l.plot(time,[x],'time', 'x',xlim=[1,1000],figsize=(6,3)) #...

# AlexNet import torchfrom torch import nnfrom d2l import torch as d2lnet = nn.Sequential( nn.Conv2d(1,96,kernel_size=11,stride=4,padding=1),nn.ReLU(), nn.MaxPool2d(kernel_size=3,stride=2), # 减小卷积窗口，使用填充 2 来使输入和输出一致且增大输出通道数 nn.Conv2d(96,256,kernel_size=5,padding=2),nn.ReLU(),...

# 互相关运算 from symtable import Classimport torchfrom torch import nnfrom d2l import torch as d2l# 实现互相关运算，X 代表输入，K 代表卷积核def corr2d(X,K): h,w = K.shape Y = torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1)) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i,j] = (X[i:i+h,j:j+w]*K).sum() return YX =...

nimport mathimport numpy as npimport torchfrom torch import nnfrom d2l import torch as d2l 生成数据集 (噪声项服从均值为 0，标准差为 0.1 的正态分布) n# 多项式的最大阶数max_degree = 20# 训练和测试数据集的大小n_train,n_test = 100,100# 分配大量空间true_w = np.zeros(max_degree)# 只有前四位作为多项式模型的真实权重true_w[0:4] = np.array([5,1.2,-3.4,5.6])# 生成样本特征...

# 二叉树的创建： 通过队列创建二叉树并根据先序遍历验证 #include <stdio.h>#include <queue>using namespace std;struct Treenode { char num; Treenode* lchild; Treenode* rchild;};void Gettree_sim(Treenode* &root, queue<Treenode*> &que, char data) {...

# 爬楼梯问题： 有一个楼梯，你每次可以爬 1 阶或 2 阶，问爬到第 n 阶有多少种不同的方法？ 示例： 输入：n = 3 输出：3 解释：有三种方法可以爬到顶端： 1 阶 + 1 阶 + 1 阶 1 阶 + 2 阶 2 阶 + 1 阶 # 解题思路： 确定状态和状态变量 明确问题状态是什么 用什么变量表示问题的状态 问题是爬到第 n 阶有多少种不同的方法，那么状态可以是当前的台阶数，可以用变量 n 表示 确定状态转移公式 即当前状态与之前状态的关系 针对爬楼梯的问题，dp[i]dp[i]dp[i] 表示台阶数为 i...

# 多项式回归 nimport mathimport numpy as npimport torchfrom torch import nnfrom d2l import torch as d2l 生成数据集 (噪声项服从均值为 0，标准差为 0.1 的正态分布) n# 多项式的最大阶数max_degree = 20# 训练和测试数据集的大小n_train,n_test = 100,100# 分配大量空间true_w = np.zeros(max_degree)# 只有前四位作为多项式模型的真实权重true_w[0:4] = np.array([5,1.2,-3.4,5.6])#...

# Spring 全家桶 Spring Boot + Spring Cloud + SpringCloud Data Flow # Spring 两大核心机制 IOC 工厂模式 AOP 代理模式 # IOC（灵魂） 控制反转，不需要自己创建对象，IOC 负责创建对象 # IOC DI DI 指的是 Bean 之间的依赖注入，设置对象之间的依赖关系 # AOP AOP 的概念： 切面对象：根据切面抽象出来的对象，Callmpl 所有方法中需要加入日志的部分，抽象成一个切面类 LoggerAspect. 通知：切面对象具体执行的代码，即非业务代码，LoggerAspect...

# 信息收集 web1,2,3 直接抓包查看即可 web4 先访问 robots.txt 根据得到的文件名再去访问 web5 访问路径 /index.phps 得到备份文件 web6 通过 drmap 扫描出来 www.zip, 或者根据提示相当压缩包 (不常用) web7 使用 burp 访问.git 直接显示 flag web8 使用 burp 访问.svn 路径直接显示 flag web9 直接访问 index.php.swp web10 使用 burp 抓包就可以看见 cookie 携带 flag Web11 使用域名 dns 解析，查看 txt 记录 web12 直接访问后台...

# Struts2-001 Strusts 下载链接，可以使用 vulhub # 代码调试环境搭建 本文采用项目一般启动方式，也可以直接使用 vulhub 运行 docker 环境之后进行 jvm 远程调试。 新建项目 目录结构如下所示： 将 vulhub 中 s2-001 的代码粘贴覆盖到 webapp 目录中 添加项目库（右键 —> 添加为库），这样才能代码调试 设置断点，启动调试 tomcat： 关闭所有断点，执行剩余代码，尝试是否正常运行： # 网络请求调试 (对请求不感兴趣的可以不看) 根据 web.xml 配置 <filter>...

# 机器学习 # 机器学习基础 前记: ​ 机器学习是一种使用数字去揭示规律的算法思想。需要比较强的矩阵运算思维，接下来记录个人学习思路。 # 机器学习基本概念 数据从输入到输出的一系列出入过程称作算法，也可以认为是一系列公式的组合。那么机器学习算法和普通的算法区别在于前者的算法过程并不是写好的，是可以在算法执行过程中发生改变的。那么发生改变的是什么呢？举个例子： 对于公式y=ax+by=ax+by=ax+b, 自变量是xxx，因变量是yyy，那么这里有两个未知数aaa...