Copy of ShortCut to

超级工厂病毒解析
最新推荐文章于 2025-01-11 20:44:16 发布
最新推荐文章于 2025-01-11 20:44:16 发布
阅读量1.1w 收藏 3
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 练习 文章标签： 杀毒 病毒
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/cocoaxian/article/details/78231951
超级工厂病毒（Stuxnet蠕虫病毒）是首个针对工业控制系统编写的破坏性病毒，能利用Windows系统和西门子SIMATIC WinCC系统的漏洞进行攻击。该病毒主要通过U盘和局域网传播，曾导致伊朗核电站发电推迟。在中国，它威胁到钢铁、电力等多个行业的SCADA系统。


超级工厂病毒（Stuxnet蠕虫病毒）

是世界上首个专门针对工业控制系统编写的破坏性病毒，能够利用对windows系统和西门子SIMATIC WinCC系统的7个漏洞进行攻击。特别是针对西门子公司的SIMATIC WinCC监控与数据采集 (SCADA) 系统进行攻击，由于该系统在我国的多个重要行业应用广泛，被用来进行钢铁、电力、能源、化工等重要行业的人机交互与监控。 传播途径：该病毒主要通过U盘和局域网进行传播。历史“贡献”：曾造成伊朗核电站推迟发电。 2010-09-25，进入中国。

昨天去出差不小心优盘中毒了；打开优盘出现四个Copy of ShortCut to快捷方式。而且删不掉，还有个文件夹。

不得已网上查了些资料说是低格，杀毒软件清理。

都尝试了也没解决。

解决方法

https://baike.baidu.com/item/%E8%B6%85%E7%BA%A7%E5%B7%A5%E5%8E%82/5264639?fr=aladdin

在AVG官网下载他们的杀毒软件，https://www.avg.com/en-us/homepage

扫描，杀毒，过程中计算机可能会高速运转；这是在强力清理有毒文件，因为这个病毒会自己生产。

CopyTranslator——复制即翻译的外文辅助阅读翻译解决方案
Hern（宋兆恒）
03-09 1万+
CopyTranslator官网：https://copytranslator.github.io/ 有道翻译VIP+CopyTranslator9链接：https://pan.baidu.com/s/1-Gg39WFS-P3LWKjw-59Inw提取码：qa3i 复制翻译 CopyTranslator监听到剪贴板变化，会将剪贴板内容进行处理（如去除多余换行等），并显示翻译结果，翻译效果相...
Android的App Shortcut功能
he_xiaochong的博客
06-11 1万+
App Shortcut功能最近手机在升级Android 7.1之后，长按某些APP图标就会弹出菜单，类似于IOS的3D touch功能，如下图：看了系统更新的文档才知道该功能叫做App Shortcut，目前只有少部分的应用支持这个功能，之后随着Android版本的更新，将会有大批APP适配该功能。那我们就来看一下该功能是如何实现的：实现App Shortcuts有两种形式： 动态形式：在运行时，
ShortcutVirusFixer(快捷方式病毒固定)V1.0.0免费安装安全版
08-07
Shortcut Virus Fixer(快捷方式病毒固定)可以使您的文件夹和文件被强制隐藏，快来下载体验吧。 软件介绍 因为病毒出现了快捷病毒问题。所以你可能不容易恢复你的文件夹/文件很容易。网上有更多的技巧和窍门。但是他们中的大多数人很难使用，效率不高，也就是收回你的USB文件夹/文件。 一种简单、安全的数据恢复方法，它可以恢复所有你的数据。没有快捷方式了，并修复了隐藏的文件夹/文件； 每一次
第112篇：美国APT震网病毒入侵伊朗核工厂后续与启示（第4篇）
ABC_123的博客
01-11 1217
Part1 前言大家好，我是ABC_123。关于震网病毒stuxnet我曾经写过3篇文章，详细介绍了震网病毒0.5版本借助人员社工的方式插入内网电脑、1.x版本震网病毒借助5家供应链公司实现自动化入侵物理隔绝的核工厂的案例分析。今天重新整理了一下当时的资料，还有一些零零散散的草稿部分没有写，今天就总结发出来吧。前面我写了3篇文章，欢迎大家阅览：第74篇：美国APT网络攻击破坏伊朗核设施全过程复...
关于防范“超级工厂病毒”解决办法
10-20
关于防范“超级工厂病毒”解决办法,很详细，也很适用，请大家若发现问题及时解决，谢谢。
如何删除插入U盘报Copy of Shortcut to 这种病毒
jiankang66的博客
01-29 1万+
在电脑上插入U盘不停的产生“copy of shortcut to”这样的文件....
引导型病毒的清理方法之一（copy）
of的专栏
05-31 1951
引导型病毒是一种在ROM BIOS之后，系统引导时出现的病毒，它先于操作系统，依托的环境是BIOS中断服务程序。引导型病毒是利用操作系统的引导模块放在某个固定的位置，并且控制权的转交方式是以物理位置为依据，而不是以操作系统引导区的内容为依据，因而病毒占据该物理位置即可获得控制权，而将真正的引导区内容搬家转移或替换，待病毒程序执行后，将控制权交给真正的引导区内容，使得这个带病毒的系统看似正常运转，而
An Introduction to the Basic Interface of Visual Studio
Introduction to the Basic Interface of Visual Studio ### I. Introduction to Visual Studio Visual Studio is an integrated development environment (IDE) released by Microsoft for software development....
Introduction to the Basic Functions and Interface of Jupyter Notebook
# 1. What is Jupyter Notebook ... With Jupyter Notebook, users can write and share code, text, visualizations, and more, while viewing the results of code execution in real-time. Below, we will intro
Installation and Usage of Notepad++ on Different Operating Systems: Cross-Platform Use to Meet ...
Introduction to Notepad++ Notepad++ is a free and open-source text editor that is beloved by programmers and text processors alike. It is renowned for its lightweight design, powerful functionality,...
震网超级工厂专杀程序
10-14
不错的专门工具，请大家看看。针对西门子工控哦，厉害。
是时候来了解android7了:shortcuts(快捷方式)
热门推荐
Loader's Blog
10-21 5万+
就在前几天的一个晚上, Google召开了它的秋季发布会, 毫无悬念的宣布了它的最新手机品牌Pixel, 与此同时我的nexus设备也从亲儿子降级成为干儿子. 不过还好Google并没有对这一干一亲区别对待, 这不, 今天就推送了android7.1.1的更新, 随之而来的又是一大波新特性(又有我们开发者忙的了…), 这其中一个叫作Shortcuts的功能真的是太赞了, 利用这个功能以后我们就再也不
动态设置 shortCut
wentao的专栏
08-23 3484
纠结了好几天，昨天终于做出来了，总结下。 上图 点击图标 先说shortcut怎么创建吧 1、先在AndroidManifest.xml中配置下   这是跳转到ScDialogActivity的配置 实际上此activity就是上图的窗口 <activity android:name=".ui.ScDialogActivity"
RailsCasts中文版，#6 Shortcut Blocks with Symbol to_proc 通过to_proc为代码块逻辑命名
边晓宇@优快云
11-18 1459
下面代码find方法中这种看起来奇怪的语法，一个&符号后面跟着一个名字，叫做to_proc。是Rails对Ruby的一点功能扩充。 class Project < ActiveRecord::Base has_many :tasks def self.all_names find(:all).collect(&:name) end end 我们通过Rails Cons
U盘写保护不能格式化文件不能删除解决办法
JohnsTx的博客
08-27 6924
随着科技发展，现在U盘是越来越高级，保护U盘的方法越来越多 ；但也会遇到一些比较几手的问题   小童今天就遇到了一件伤心事  U盘无原无故被写保护了 无法删除文件 也无法Copy 真头疼；这是一个朋友送我的 真心不舍得扔啊 那怎么办呢？ 大家有没有遇到类似的问题 困惑了我两天的事 如今终于解决了 现在好方法与大家分享一下 希望能帮到有类似经历的朋友 一、一般的U盘侧面都有一个
Win8下建立shortcut到開始界面
weixin_34087307的博客
05-31 148
在win8前建立開始菜单都非常easy，但到win8就有点不一样了。它的開始菜单是metro风格的。以下我们来看下详细的实现代码。有兴趣的朋友能够自己測试下,它的作用是设置shortcut到metro start menu.  假设是要阻止到start menu的话，把APPUSERMODEL_STARTPINOPTION_NOPINONINSTALL改为PKEY_AppUserModel...
(rt) root@45qqmqi84adhm-0:/202408540022/rt_copy/RTDETR-main# python train.py WARNING ⚠️ no model scale passed. Assuming scale='l'. from n params module arguments 0 -1 1 2216100 fasternet_t0 [] 1 -1 1 82432 ultralytics.nn.modules.conv.Conv [320, 256, 1, 1, None, 1, 1, False] 2 -1 1 789760 ultralytics.nn.modules.transformer.AIFI [256, 1024, 8] 3 -1 1 66048 ultralytics.nn.modules.conv.Conv [256, 256, 1, 1] 4 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 5 3 1 41472 ultralytics.nn.modules.conv.Conv [160, 256, 1, 1, None, 1, 1, False] 6 [-2, -1] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 7 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 8 -1 1 131584 ultralytics.nn.modules.conv.Conv [512, 256, 1, 1] 9 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 10 2 1 20992 ultralytics.nn.modules.conv.Conv [80, 256, 1, 1, None, 1, 1, False] 11 [-2, -1] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 12 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 13 -1 1 1180160 ultralytics.nn.modules.conv.Conv [512, 256, 3, 2] 14 [-1, 12] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 15 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 16 -1 1 1180160 ultralytics.nn.modules.conv.Conv [512, 256, 3, 2] 17 [-1, 7] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 18 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 19 [16, 19, 22] 1 4215984 ultralytics.nn.modules.head.RTDETRDecoder [80, [512, 512, 512], 256, 300, 4, 8, 3] InvertedResidualsBlock输入形状: torch.Size([2, 512, 40, 40]) InvertedResidualsBlock输入形状: torch.Size([1, 512, 40, 40]) The size of tensor a (512) must match the size of tensor b (256) at non-singleton dimension 1 rtdetr-fasternet summary: 424 layers, 38721620 parameters, 38721620 gradients New https://pypi.org/project/ultralytics/8.3.190 available 😃 Update with 'pip install -U ultralytics' Ultralytics YOLOv8.0.201 🚀 Python-3.10.18 torch-2.2.2 CUDA:0 (NVIDIA A800 80GB PCIe, 81051MiB) engine/trainer: task=detect, mode=train, model=/202408540022/rt_copy/RTDETR-main/ultralytics/cfg/models/rt-detr/rtdetr-fasternet.yaml, data=/202408540022/rt_copy/RTDETR-main/dataset/tomato/tomato/tomato.yaml, epochs=300, patience=0, batch=8, imgsz=640, save=True, save_period=-1, cache=False, device=0, workers=8, project=/202408540022/rt_copy/RTDETR-main/runs/train, name=InvertedResidual7, exist_ok=False, pretrained=True, optimizer=AdamW, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=0, resume=False, amp=False, fraction=1.0, profile=False, freeze=None, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, show=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, vid_stride=1, stream_buffer=False, line_width=None, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, boxes=True, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=None, workspace=4, nms=False, lr0=0.0001, lrf=1.0, momentum=0.9, weight_decay=0.0001, warmup_epochs=2000, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=0.0, mixup=0.0, copy_paste=0.0, cfg=None, tracker=botsort.yaml, save_dir=/202408540022/rt_copy/RTDETR-main/runs/train/InvertedResidual7 Overriding model.yaml nc=80 with nc=6 WARNING ⚠️ no model scale passed. Assuming scale='l'. from n params module arguments 0 -1 1 2216100 fasternet_t0 [] 1 -1 1 82432 ultralytics.nn.modules.conv.Conv [320, 256, 1, 1, None, 1, 1, False] 2 -1 1 789760 ultralytics.nn.modules.transformer.AIFI [256, 1024, 8] 3 -1 1 66048 ultralytics.nn.modules.conv.Conv [256, 256, 1, 1] 4 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 5 3 1 41472 ultralytics.nn.modules.conv.Conv [160, 256, 1, 1, None, 1, 1, False] 6 [-2, -1] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 7 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 8 -1 1 131584 ultralytics.nn.modules.conv.Conv [512, 256, 1, 1] 9 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 10 2 1 20992 ultralytics.nn.modules.conv.Conv [80, 256, 1, 1, None, 1, 1, False] 11 [-2, -1] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 12 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 13 -1 1 1180160 ultralytics.nn.modules.conv.Conv [512, 256, 3, 2] 14 [-1, 12] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 15 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 16 -1 1 1180160 ultralytics.nn.modules.conv.Conv [512, 256, 3, 2] 17 [-1, 7] 1 0 ultralytics.nn.modules.conv.Concat [1] InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 InvertedResidualsBlock初始化: c1=512, c2=256 18 -1 3 7199232 ultralytics.nn.modules.inv_bottleneck1.InvertedResidualsBlock[512, 256, 6, 1] 19 [16, 19, 22] 1 4120968 ultralytics.nn.modules.head.RTDETRDecoder [6, [512, 512, 512], 256, 300, 4, 8, 3] InvertedResidualsBlock输入形状: torch.Size([2, 512, 40, 40]) InvertedResidualsBlock输入形状: torch.Size([1, 512, 40, 40]) The size of tensor a (512) must match the size of tensor b (256) at non-singleton dimension 1 rtdetr-fasternet summary: 424 layers, 38626604 parameters, 38626604 gradients train: Scanning /202408540022/RTDETR-main/RTDETR-main/dataset/tomato/tomato/labels/train.cache... 10057 images, 74 backgrounds, 0 co train: WARNING ⚠️ /202408540022/RTDETR-main/RTDETR-main/dataset/tomato/tomato/images/train/IMG20220323085218.jpg: 1 duplicate labels removed albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01), CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8)) val: Scanning /202408540022/RTDETR-main/RTDETR-main/dataset/tomato/tomato/labels/val.cache... 1437 images, 9 backgrounds, 0 corrupt: val: WARNING ⚠️ /202408540022/RTDETR-main/RTDETR-main/dataset/tomato/tomato/images/val/IMG20220323085218_aug2.jpg: 1 duplicate labels removed Plotting labels to /202408540022/rt_copy/RTDETR-main/runs/train/InvertedResidual7/labels.jpg... optimizer: AdamW(lr=0.0001, momentum=0.9) with parameter groups 79 weight(decay=0.0), 137 weight(decay=0.0001), 126 bias(decay=0.0) Image sizes 640 train, 640 val Using 8 dataloader workers Logging results to /202408540022/rt_copy/RTDETR-main/runs/train/InvertedResidual7 Starting training for 300 epochs... Epoch GPU_mem giou_loss cls_loss l1_loss Instances Size 0%| | 0/1258 [00:00<?, ?it/s]InvertedResidualsBlock输入形状: torch.Size([8, 512, 40, 40]) 0%| | 0/1258 [00:02<?, ?it/s] Traceback (most recent call last): File "/202408540022/rt_copy/RTDETR-main/train.py", line 20, in <module> model.train(data='/202408540022/rt_copy/RTDETR-main/dataset/tomato/tomato/tomato.yaml', File "/202408540022/rt_copy/RTDETR-main/ultralytics/engine/model.py", line 342, in train self.trainer.train() File "/202408540022/rt_copy/RTDETR-main/ultralytics/engine/trainer.py", line 192, in train self._do_train(world_size) File "/202408540022/rt_copy/RTDETR-main/ultralytics/engine/trainer.py", line 345, in _do_train self.loss, self.loss_items = self.model(batch) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1511, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1520, in _call_impl return forward_call(*args, **kwargs) File "/202408540022/rt_copy/RTDETR-main/ultralytics/nn/tasks.py", line 58, in forward return self.loss(x, *args, **kwargs) File "/202408540022/rt_copy/RTDETR-main/ultralytics/nn/tasks.py", line 474, in loss preds = self.predict(img, batch=targets) if preds is None else preds File "/202408540022/rt_copy/RTDETR-main/ultralytics/nn/tasks.py", line 528, in predict x = m(x) # run File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1511, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1520, in _call_impl return forward_call(*args, **kwargs) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/container.py", line 217, in forward input = module(input) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1511, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "/root/anaconda3/envs/rt/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1520, in _call_impl return forward_call(*args, **kwargs) File "/202408540022/rt_copy/RTDETR-main/ultralytics/nn/modules/inv_bottleneck1.py", line 50, in forward result = identity + out RuntimeError: The size of tensor a (512) must match the size of tensor b (256) at non-singleton dimension 1怎么修改倒置瓶颈模块的代码
最新发布
09-02
当在使用Python运行RTDETR模型训练脚本时出现张量尺寸不匹配错误 'The size of tensor a (512) must match the size of tensor b (256) at non - singleton dimension 1'，通常是因为在倒置瓶颈模块（InvertedResidualsBlock）中进行张量运算时，两个张量在某个非单例维度上的尺寸不一致。下面是一些可能的解决思路及代码修改示例。 ### 思路分析 1. **检查卷积层的输出通道数**：确保卷积层的输出通道数在模块内部和模块之间是一致的。 2. **检查跳跃连接（shortcut connection）**：如果存在跳跃连接，确保跳跃连接的输入和输出张量尺寸一致。 ### 代码修改示例 假设倒置瓶颈模块的原始代码如下： ```python import torch import torch.nn as nn class InvertedResidualsBlock(nn.Module): def __init__(self, in_channels, out_channels, stride): super(InvertedResidualsBlock, self).__init__() self.stride = stride # 扩张卷积 self.expand_conv = nn.Conv2d(in_channels, in_channels * 6, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm2d(in_channels * 6) self.relu = nn.ReLU6(inplace=True) # 深度可分离卷积 self.depthwise_conv = nn.Conv2d(in_channels * 6, in_channels * 6, kernel_size=3, stride=stride, padding=1, groups=in_channels * 6, bias=False) self.bn2 = nn.BatchNorm2d(in_channels * 6) # 投影卷积 self.project_conv = nn.Conv2d(in_channels * 6, out_channels, kernel_size=1, bias=False) self.bn3 = nn.BatchNorm2d(out_channels) def forward(self, x): identity = x out = self.expand_conv(x) out = self.bn1(out) out = self.relu(out) out = self.depthwise_conv(out) out = self.bn2(out) out = self.relu(out) out = self.project_conv(out) out = self.bn3(out) if self.stride == 1 and in_channels == out_channels: out += identity return out ``` 为了解决张量尺寸不匹配的问题，需要确保跳跃连接（`out += identity`）中的输入和输出张量尺寸一致。可以通过添加一个卷积层来调整跳跃连接的输出通道数： ```python import torch import torch.nn as nn class InvertedResidualsBlock(nn.Module): def __init__(self, in_channels, out_channels, stride): super(InvertedResidualsBlock, self).__init__() self.stride = stride # 扩张卷积 self.expand_conv = nn.Conv2d(in_channels, in_channels * 6, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm2d(in_channels * 6) self.relu = nn.ReLU6(inplace=True) # 深度可分离卷积 self.depthwise_conv = nn.Conv2d(in_channels * 6, in_channels * 6, kernel_size=3, stride=stride, padding=1, groups=in_channels * 6, bias=False) self.bn2 = nn.BatchNorm2d(in_channels * 6) # 投影卷积 self.project_conv = nn.Conv2d(in_channels * 6, out_channels, kernel_size=1, bias=False) self.bn3 = nn.BatchNorm2d(out_channels) # 添加一个卷积层来调整跳跃连接的输出通道数 if in_channels != out_channels: self.shortcut_conv = nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False) self.shortcut_bn = nn.BatchNorm2d(out_channels) else: self.shortcut_conv = None def forward(self, x): identity = x out = self.expand_conv(x) out = self.bn1(out) out = self.relu(out) out = self.depthwise_conv(out) out = self.bn2(out) out = self.relu(out) out = self.project_conv(out) out = self.bn3(out) if self.stride == 1: if self.shortcut_conv is not None: identity = self.shortcut_conv(identity) identity = self.shortcut_bn(identity) out += identity return out ``` ### 解释 1. **添加 `shortcut_conv` 和 `shortcut_bn`**：在 `__init__` 方法中，如果输入通道数和输出通道数不一致，添加一个卷积层 `shortcut_conv` 和一个批量归一化层 `shortcut_bn` 来调整跳跃连接的输出通道数。 2. **调整跳跃连接**：在 `forward` 方法中，如果 `shortcut_conv` 不为 `None`，则对跳跃连接的输入 `identity` 进行卷积和批量归一化操作，然后再与输出 `out` 相加。 ### 总结 通过以上修改，可以确保倒置瓶颈模块中的跳跃连接输入和输出张量尺寸一致，从而解决张量尺寸不匹配的问题。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值