<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SYJ_361的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SYJ_361</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SYJ_361]]></copyright><item><title><![CDATA[ubuntu安装pbc库]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/152414279</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/152414279</guid><author>SYJ_361</author><pubDate>Thu, 02 Oct 2025 16:51:32 +0800</pubDate><description><![CDATA[本文主要介绍使用ubuntu安装pbc库，并在安装过程中遇到的问题的解决方法]]></description><category></category></item><item><title><![CDATA[第4周_作业题_逐步构建你的深度神经网络]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/148147855</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/148147855</guid><author>SYJ_361</author><pubDate>Thu, 22 May 2025 19:29:41 +0800</pubDate><description><![CDATA[本文介绍了如何逐步构建深度神经网络（DNN），重点在于实现多层神经网络的初始化、前向传播、损失计算、反向传播和参数更新。首先，通过初始化函数为两层和L层神经网络设置权重和偏置。接着，详细描述了前向传播的步骤，包括线性计算和激活函数（如ReLU和Sigmoid）的应用，并强调了缓存值在反向传播中的重要性。反向传播部分则涉及梯度的计算和参数的更新。文章还提供了代码示例，展示了如何使用Python和NumPy实现这些功能，并通过测试用例验证了初始化函数的正确性。最终，读者将能够构建一个灵活的深度神经网络，适用于图]]></description><category></category></item><item><title><![CDATA[第4周_深层神经网络]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/148147831</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/148147831</guid><author>SYJ_361</author><pubDate>Thu, 22 May 2025 19:28:24 +0800</pubDate><description><![CDATA[深层神经网络（DNN）通过增加隐藏层数量来提升模型复杂度，从而增强其处理复杂问题的能力。命名规则通常基于隐藏层和输出层的数量，例如L-layer NN表示包含L-1个隐藏层和1个输出层。正向传播过程逐层计算激活值，从输入层到输出层，适用于单个样本和多个样本的向量化形式。深层网络的优势在于能够提取从简单到复杂的特征，如人脸识别中从边缘到整体特征的提取，以及语音识别中从音调到单词的识别。此外，深层网络还能减少神经元数量，降低计算复杂度。尽管深层网络具有显著优势，但在实际应用中，建议先尝试较浅的网络模型，再根据问]]></description><category></category></item><item><title><![CDATA[第3周作业-1层隐藏层的神经网络分类二维数据]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/148123477</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/148123477</guid><author>SYJ_361</author><pubDate>Wed, 21 May 2025 20:16:06 +0800</pubDate><description><![CDATA[本文介绍了如何使用一层隐藏层的神经网络对二维数据进行分类。首先，导入了必要的Python库，如numpy、matplotlib和sklearn，并加载了测试数据集。通过可视化数据，发现数据集呈现花朵图案，目标是通过分类模型区分红色和蓝色数据点。接着，使用逻辑回归模型进行分类，但由于数据集非线性可分，逻辑回归效果不佳，准确率仅为47%。随后，引入了神经网络模型，详细描述了其数学原理和构建步骤，包括前向传播、损失计算、反向传播和参数更新。最终，通过定义神经网络结构，为后续的模型训练和预测奠定了基础。
]]></description><category></category></item><item><title><![CDATA[第3周-浅层神经网络]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/148123456</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/148123456</guid><author>SYJ_361</author><pubDate>Wed, 21 May 2025 20:14:29 +0800</pubDate><description><![CDATA[浅层神经网络是一种包含输入层、隐藏层和输出层的结构，其计算过程包括正向传播和反向传播。正向传播通过输入层到隐藏层再到输出层的计算，使用非线性激活函数处理数据。反向传播则通过计算梯度来更新网络参数，优化模型性能。为了提高计算效率，神经网络通常采用矩阵运算和向量化技术。此外，神经网络的权重不能全部初始化为零，否则会导致对称性问题，通常采用随机初始化方法。浅层神经网络通过隐藏层的非线性变换，能够处理复杂的模式识别任务，是深度学习的基础模型之一。]]></description><category></category></item><item><title><![CDATA[pycharm无法正常调试问题]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/148090479</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/148090479</guid><author>SYJ_361</author><pubDate>Tue, 20 May 2025 16:29:51 +0800</pubDate><description><![CDATA[本文主要介绍pycharm中无法正常调试的问题]]></description><category></category></item><item><title><![CDATA[第2周_作业题_神经网络思想实现Logistic回归]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/147990387</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/147990387</guid><author>SYJ_361</author><pubDate>Thu, 15 May 2025 19:23:41 +0800</pubDate><description><![CDATA[本文介绍了如何使用神经网络思想实现Logistic回归，以识别猫的图像。首先，通过导入必要的库（如numpy、h5py、matplotlib等）和数据集，数据集包含训练和测试图像及其标签。接着，通过查看图像数据和向量尺寸，确保数据处理的正确性。随后，将图像数据重塑为适合模型输入的维度，即将每个图像展平为一个向量。整个过程旨在通过初始化参数、计算损失函数及其梯度、使用优化算法（如梯度下降）来构建一个逻辑回归分类器。最终目标是建立一个能够有效识别猫的深度学习模型。]]></description><category></category></item><item><title><![CDATA[第2周2_神经网络基础之Python与向量化]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/147990331</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/147990331</guid><author>SYJ_361</author><pubDate>Thu, 15 May 2025 19:21:59 +0800</pubDate><description><![CDATA[本文介绍了神经网络基础中Python与向量化的应用。首先，强调了在深度学习算法中，向量化运算比循环语句更高效，并通过示例展示了使用NumPy库中的np.random.rand和np.dot函数进行向量化运算的优势。接着，讨论了如何利用GPU和SIMD指令进一步加速计算。文章还详细解释了逻辑回归算法的向量化实现，包括梯度下降的矩阵形式表示，并介绍了Python中的广播机制及其在矩阵运算中的应用。]]></description><category></category></item><item><title><![CDATA[第2周1_神经网络基础之逻辑回归]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/147990199</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/147990199</guid><author>SYJ_361</author><pubDate>Thu, 15 May 2025 19:12:29 +0800</pubDate><description><![CDATA[逻辑回归是神经网络中用于解决二分类问题的基本模型。其核心思想是通过线性模型结合Sigmoid函数，将输出限制在[0,1]之间，表示概率。逻辑回归的预测值通过权重w和偏置b计算得出，并使用Sigmoid函数进行非线性转换。为了优化模型，定义了损失函数（Loss Function）和成本函数（Cost Function），通常使用交叉熵损失来衡量预测值与真实值的差异。通过梯度下降算法，迭代更新w和b，最小化成本函数。计算图用于描述正向传播和反向传播过程，正向传播计算预测值，反向传播计算梯度以更新参数。逻辑回归可]]></description><category></category></item><item><title><![CDATA[第1周-深度学习概述]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/147989377</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/147989377</guid><author>SYJ_361</author><pubDate>Thu, 15 May 2025 18:19:39 +0800</pubDate><description><![CDATA[深度学习是复杂神经网络的应用，通过多层神经元处理输入数据以预测输出。以房价预测为例，神经网络可以基于房屋面积、卧室数量等因素，通过ReLU等非线性函数进行复杂计算，最终输出预测价格。深度学习的核心是监督式学习，广泛应用于房价预测、广告点击率预测、图像识别、语音识别等领域。随着大数据时代的到来，深度学习在处理海量数据时表现出色，尤其在图像、语音等非结构化数据处理上优于传统算法。深度学习的强大性能主要归功于大规模数据、复杂网络结构以及计算能力的提升。]]></description><category></category></item><item><title><![CDATA[第1周作业题-numpy构建基本函数]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/147935330</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/147935330</guid><author>SYJ_361</author><pubDate>Tue, 13 May 2025 22:39:35 +0800</pubDate><description><![CDATA[本文介绍了如何在Jupyter Notebook中使用Numpy构建基本函数，重点讲解了Sigmoid函数及其梯度的实现。首先，通过math.exp()实现Sigmoid函数，随后指出在深度学习中更倾向于使用numpy库，因为它支持向量和矩阵操作。接着，使用np.exp()重新实现了Sigmoid函数，并展示了如何计算Sigmoid函数的梯度。此外，还介绍了如何使用np.reshape()函数重塑数组，特别是在处理图像数据时，将3D数组转换为1D向量的方法。通过这些示例，读者可以掌握Numpy在深度学习中的]]></description><category></category></item><item><title><![CDATA[sar1靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123894916</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123894916</guid><author>SYJ_361</author><pubDate>Fri, 01 Apr 2022 12:50:11 +0800</pubDate><description><![CDATA[本文通过kali渗透sar1靶机获得root权限，利用kali找到对应的模块，查看漏洞信息，构造payload下载文件，用蚁剑反弹shell，最终获得root权限]]></description><category></category></item><item><title><![CDATA[DC-9靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123777238</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123777238</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 17:25:36 +0800</pubDate><description><![CDATA[本文是对DC-9靶机的练习，通过SQLz注入得到用户账户信息，并通过kali敲开靶机的22端口，用hydra爆破SSH账户信息进行远程登录，然后对用户进行提取并找到falg文件]]></description><category></category></item><item><title><![CDATA[DC-6靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123777094</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123777094</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 17:21:59 +0800</pubDate><description><![CDATA[本文是对DC-6靶机的练习，利用kali通过网址信息暴力破解用户名，并登录wordpress，并在kali中找到对应的攻击模块，并进行远程登录，然后再对靶机进行提权]]></description><category></category></item><item><title><![CDATA[zico2靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123776977</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123776977</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 17:14:47 +0800</pubDate><description><![CDATA[本文是对zico2靶机的练习，通过kali和御剑等工具对靶机进行信息收集，利用phpLiteAdmin漏洞，并利用文件包含漏洞上传文件，用蚁剑连接，并通过kali进行反弹shell，最后用ssh登录，对靶机进行提权，并找到flag文件]]></description><category></category></item><item><title><![CDATA[Tr0ll靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123768479</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123768479</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 09:51:48 +0800</pubDate><description><![CDATA[本文是对Tr0ll靶机的练习，利用ftp漏洞进行远程登录，利用python生成反弹shell的脚本，并通过远程进行下载，并对靶机进行提权，最终获得root权限]]></description><category></category></item><item><title><![CDATA[Raven2靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123768345</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123768345</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 09:45:26 +0800</pubDate><description><![CDATA[本文是对Raven2靶机的练习，通过phpmailer**CVE-2016-10033远程代码执行漏洞利用**进行反弹shell，通过控制mysql，对靶机权限进行提权，最后得到靶机里面的flag文件]]></description><category></category></item><item><title><![CDATA[Linux靶机练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123768217</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123768217</guid><author>SYJ_361</author><pubDate>Sun, 27 Mar 2022 09:29:29 +0800</pubDate><description><![CDATA[这里是对Linux靶机的各种练习，包括Lampiao、Raven2、Tr0ll、zico2、DC-6、DC-9等，利用kali、蚁剑等对靶机进行提权，并找到root里面的flag文件]]></description><category></category></item><item><title><![CDATA[tomcat 靶机]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123731211</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123731211</guid><author>SYJ_361</author><pubDate>Fri, 25 Mar 2022 11:25:20 +0800</pubDate><description><![CDATA[本文是渗透tomcat靶机获得其root权限，利用文件上传漏洞，上传包含.jsp文件的.war文件，然后进行反弹shell，再使用.jar文件反弹shell获取其root权限]]></description><category></category></item><item><title><![CDATA[hackme靶场练习]]></title><link>https://blog.youkuaiyun.com/SYJ_361/article/details/123571241</link><guid>https://blog.youkuaiyun.com/SYJ_361/article/details/123571241</guid><author>SYJ_361</author><pubDate>Fri, 18 Mar 2022 11:55:33 +0800</pubDate><description><![CDATA[本文对hackme靶场进行练习，运用sql注入漏洞，以及msf木马反弹shell，进而取得root权限]]></description><category></category></item></channel></rss>