墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
734平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
首先要下载两个工具：
dex2jar和JD-GUI，前者是将apk中的classes.dex转化成Jar文件，而JD-GUI是一个反编译工具，可以直接查看Jar包的源代码。
以下是下载地址：
dex2jar：http://laichao.googlecode.com/files/dex2jar-0.0.7-SNAPSHOT.zip
JD-GUI：http://laichao.googlecode.com/files/jdgui.zip
具体步骤：
首先将apk文件，将后缀改为zip，解压，得到其中的classes.dex，它就是java文件编译再通过dx工具打包而成的；
解压下载的dex2jar，将classes.dex复制到dex2jar.bat所在目录。在命令行下定位到dex2jar.bat所在目录，运行 dex2jar.bat classes.dex
生成classes.dex.dex2jar.jar
运行JD-GUI，打开上面生成的jar包，即可看到源代码了
vfsglobal预约系统登录问题全解析(by quqi99)
本文全面解析VFS Global预约系统登录常见问题，包括IP限制、验证码验证失败及账号自动删除等。提供详细的解决方案，如DNS配置、浏览器设置及邮箱选择建议，帮助用户顺利完成签证预约。特别针对中国用户遇到的IP限制问题，给出了实用技巧。
如何反编译apk文件并解析.class文件查看Java源代码
如何反编译apk文件并解析.class文件查看Java源代码 前期工作：先准备好反编译需要用到的工具：下载链接. 1.把下载好的工具解压，得到下面这三个文件 2.配置环境变量到path（apktool 和 dex2jar-2.0 配置两个即可） 3.准备好需要反编译的apk文件，并拖入到apktool文件夹下 4.在此文件目录下输入cmd命令打开控制台 5.在命令窗口输入：apktoo...
【STM32学习】（29）STM32实现595驱动三个数码管（标准库和HAL库实现）
我选用的单片机型号为：STM32F103系列 74LS595是一个串转并行输出的芯片，它能为单片机节省很多的IO口，应用场景广泛。 现要求三个数码管动态显示，常规设计都是并行实现，需要8个IO数据口，然后还需要3个IO片选数码管接口，这样大大占用了IO口，导致连接的外设变少。因此我们引入74LS595芯片。电路设计如下： 只需要三个共阴极数码管与三个595芯片级联即可完成，通过RCLK，SCK，SER三个IO即可完成对数码管的动态控制并显示。电路焊接的实物图如下： 要求完成功能：实现数.
Apk反编译得到Java源代码
一、Apk反编译得到Java源代码 下载上述反编译工具包，打开apk2java目录下的dex2jar-0.0.9.9文件夹，内含apk反编译成java源码工具，以及源码查看工具。 apk反编译工具dex2jar，是将apk中的classes.dex转化成jar文件 源码查看工具jdgui，是一个反编译工具，可以直接查看反编译后的jar包源代码 dex2jar
YOLOv11 改进策略：引入 NWD 损失函数提高小目标检测精度
YOLO（You Only Look Once）是一种实时目标检测算法，能够有效地预测图像中多个物体的边界框和类别概率。其高效性使它成为自动驾驶、视频监控等领域的理想选择。NWD 是一种基于 Wasserstein 距离的损失函数，其通过归一化处理，更好地评估预测框和真实框之间的几何偏差。这种方法不仅仅关注重叠区域，而且考虑中心点和尺度信息，提高了对小目标的敏感度。
《AI应用架构师必学：企业AI能力地图构建的高级技巧》
企业AI能力地图，简单来说，是一种可视化工具，它展示了企业在AI领域所具备的各种能力及其相互关系。就如同城市地图展示城市的街道、建筑和设施一样，AI能力地图呈现了企业在数据处理、模型开发、算法应用等多个方面的能力布局。
apk java反编译_【Apk反编译】如何反编译Apk得到Java源代码
本文由【爱加密】技术人员整理得出，转载请标明出处，谢谢！AndroidApk反编译得到Java源代码大家做Android开发，看到别人应用里一些好的功能，是不是很想得到源码，借鉴一下？既然Android是用JAVA开发的，那么我们就能很容易的通过反编译的到应用的源代码。下面我简单介绍下应该怎么操作。具体步骤：1.首先将apk文件后缀改为RAR并解压。2.解压rar文件，得到其中的classes....
解决win11无法安装.net framework 3.5（包括.net2.0和3.0）错误代码：0x80070005
解决win11无法安装.net framework 3.5（包括.net2.0和3.0）错误代码：0x80070005
Apk反编译得到Java源代码（附工具）
（一）dex2jar反编译得到Java源代码具体步骤： 首先将apk文件后缀改为zip并解压，得到其中的classes.dex，它就是java文件编译再通过dx工具打包而成的，将classes.dex复制到dex2jar.bat所在目录dex2jar-0.0.9.9文件夹。 在命令行下定位到dex2jar.bat所在目录，运行 dex2ja...
Carsim2019与Simulink (Matlab2018b)联合仿真成功（超详细）
Carsim与Simulink联合仿真成功
Qualcomm 常用NV列表
^ NV ITEM ^ 功能^^ |NV10 |mode prefer，找网模式|新平台使用NV80000| ^NV74 NV74=0关闭自动接听电话^ |NV240 |NV240=FALSE|EVDO出现网络的问题，此项必须设定为FALSE| |NV255 |CDMA规避网络列表(SID/NID号)| |NV256 |
Android APK反编译得到Java源代码和资源文件
这段时间在学Android应用开发，在想既然是用Java开发的应该很好反编译从而得到源代码吧，google了一下，确实很简单，以下是我的实践过程。在此郑重声明，贴出来的目的不是为了去破解人家的软件，完全是一种学习的态度，不过好像通过这种方式也可以去汉化一些外国软件。 一.反编译Apk得到Java源代码 首先要下载两个工具：dex2jar和JD-GUI，前者是将apk中的classes.dex转
论文分栏前后内容不连续？教你word如何删除分节符
问题 当我们在写论文的时候，很多期刊的模板都是两栏的格式，但有的时候我们插入的图像尺寸可能太大，两栏格式放不下，因此需要将其以一栏的格式出入，如下： 但当我们把图片删除后，再将其转换成两栏格式，前后内容就出现不连续的情况： 正常情况下应该是如下： 正确处理方式 里面有个分页符，把分页符去掉，或者把你的文字全部复制到记事本里，然后重新复制回word就可以取消原有的格式了。 删除分节符的方法（以word 2019为例） -点击菜单栏上的“视图”，点击“大纲视图”。 可以看到word文档以整列的形式展开：
android Apk反编译得到Java源代码
1、下载上述工具中的dex2jar和jd-gui ，解压 2、将要反编译的APK后缀名改为.rar或则 .zip，并解压，得到其中的额classes.dex文件（它就是java文件编译再通过dx工具打包而成的），将获取到的classes.dex放到之前解压出来的工具dex2jar-0.0.9.15 文件夹内， 3、在命令行下定位到dex2jar.bat所在目录，输入dex2jar.bat ...
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Android APK反编译方法，可查看java源代码
所需工具及步骤，工具下载见附件apktool： 1.将APK放置到APKTool目录下，并改名为123.apk； 2.打开APKTool，选择1进行反编译操作完成后会生成一个apk文件夹； 3.使用后可成功查看xml文件、及图片，但java代码的后缀名为.smali，无法查看源码；dex2jar： 1.将.apk的后缀名改为.rar，解压后得到classes.d...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1340
扫一扫
