pickle反序列化初探
本文首发于先知社区，链接：https://xz.aliyun.com/t/7436
| 主页 | 归档 | 目录 | 标签 | 关于 |
|
DeepFool: a simple and accurate method to fool deep neural networks浅读
DeepFool: a simple and accurate method to fool deep neural networks浅读
GNN初探，The graph neural network model浅析
GNN初探，The graph neural network model浅析
Tensorflow2入门
Tensorflow2入门
前言
- 最近更新了TF2，发现以前的TF代码都跑不了了。改动是真的很大。并且在重写原来的代码的时候遇到了很多坑，在这里记录一下学习过程。
- 没有安装TF2之前，我对其印象停留在TF2强行引入了keras。但是我上手的时候受到了震惊：placeholder与session都被删除了。。。
- 官方有一个简单的代码升级脚本，但是其仅仅是把tf替换为tf.compat.v1，并没有太大的作用。
- 由于我个人对keras的便捷、代码易读性比较喜欢，所以对新版本并不排斥。但是如果只用keras，底层的很多操作就不支持了，比如训练的单步进行。所以需要学习TF2或者keras中更底层的部分。
使用模型预测模型的准确率：Conformal Prediction (共型预测)与MPP
使用模型预测模型的准确率：Conformal Prediction (共型预测)与MPP
要解决的问题
- 机器学习模型的表现好坏多由训练数据与待预测的真实数据决定，模型的泛化力不同，根据收到的数据不同，预测效果也好坏不一。因此，如何选择适合的模型、如何预测模型是否会失效、模型的准确度如何，都是需要解决的问题。
- 同时，真实数据多根据外界环境的变化而有敏锐的改变，因此机器学习模型也需要不断更新。而这一过程如果由人力来操作则是复杂甚至不现实的，因此最好是由自动化的算法实现。工业生产中的数据往往没有标注，因此传统的将预测结果和标注对比的方式并不能预测生产过程中机器学习模型的准确度。
- 为了尝试解决以上这些问题，预测模型的准确率的方法被提出。
attention与Transformer结构浅析
attention与Transformer结构浅析
前言
- attention机制除了“attention”之外，另一个关键词是“相似度”，阅读attention结构时记住“相似度”这个词。
- 为了对attention模型提出的原因作出解释，我们首先分析RNN的一些特点。
Laravel POP链简析
Laravel POP链简析
前言
- POP链与PHP反序列化漏洞利用是密不可分的概念，反序列化漏洞相关的知识在网上有很多，这里不再赘述。本文主要对laravel的POP链简析。
docker中的php7代码调试
docker中的php7代码调试
前言
- 最近想好好看看PHP反序列化POP链的构造，加上之前遇到的laravel的题，想把挖的坑埋了，于是开始漫长的环境搭建之旅。。。
- 由于laravel是在PHP7环境下的框架，我在物理机上使用的phpstudy怎么都无法成功调试，最近又迷上docker的一次搭建万年使用并且随时还原的方便（使用爽，构建火葬场）；使用docker可以做到php版本灵活切换，在这里把遇到的坑和一些产物记录下来。
Webmin RCE(CVE-2019-15107)简析
Webmin RCE(CVE-2019-15107)简析
写在前面
- 这个CVE是@Ethan跟的，后来看文章时我觉得很有意思，就跟了一下。
- 漏洞是由于黑客修改了SourceForge上的官方包并留下的后门，在github中并没有被污染。