qq_42732826的博客

本项目是一个使用 Flask 框架和 Google Gemini GenAI 模型构建的 Web API 服务，用于将日文unity游戏文本翻译成简体中文。

本项目通过调用腾讯的DeepSeek V3 API，实现Unity游戏中日文文本的自动翻译。确保已安装以下软件和库：安装必要的Python库：代码如下：3. 配置API克隆本项目后，修改deepseekv3.py中的配置部分：4. 自定义API配置如果使用其他云厂商的API和模型，请修改以下配置：启动项目1. 启动Python脚本确保Python脚本成功启动，命令行应显示：2. 配置XUnity.AutoTranslator修改XUnity.AutoTranslator插件的配置文件或：

该代码采用了多进程加快重复文件查找速度，如需要运行请使用Python3.11之后的版本，自行修改所需要查找的路径。

正如在数字空间中存在对抗样本，研究者发现在物理世界中也存在对抗样本，研究人员将对抗性补丁打印出来挂在人的身前，就能让目标检测算法YOLOv2失效。源代码链接：https://gitlab.com/EAVISE/adversarial-yolo。test_patch.py文件用来测试跑出来的patch的攻击性怎么样。- proper_patched: 在图像上添加扰动, 并保存检测结果。patch的config文件patch_config.py。真正核心的文件是train_patch.py文件。

目前，没有有效率的方法可以用来精确的计算深度模型对对抗扰动的鲁棒性。在这篇论文中，提出了DeepFool的算法来生成扰动，并且提出了一种量化分类器鲁棒性的方法。FGSM虽然快，但是它只是提供了最优扰动的一个粗略的估计，它执行的梯度的方法，经常得到的是局部最优解，DeepFool能够得到更小的扰动，甚至比FGSM小一个数量级。提出了一种计算分类器对对抗扰动的鲁棒性的评价方法。上面这些代码都可以复用的所以我直接用。下面这部分是非定向攻击的代码。直接放pytorch代码吧。下面这部分是定向攻击的代码。

C&W攻击是数字空间中的对抗攻击算法，下面使用到的一些函数和代码。

可以说是非常入门了，就是全连接神经网络预测手写数字，没用到卷积，准确率在98%以上。

深度神经网络已经在图像识别、语音识别等方面取得优秀成果。但是深度神经网络也有它的脆弱性，在面对对抗样本的时候，会出现错误分类，今天将根据FGSM的方法生成相应的对抗样本。使用的是jupyter notebook。

给个star。

在被称为FasterR-CNN的后续工作中，主要的见解是这两个部分-计算区域提案和图像分类-可以使用相同的特征图，从而分担计算负荷。

训练100个epoch，多训练可能还会再涨，不过不浪费时间了。图像识别任务到此结束。下次更一些目标检测和对抗攻击。之前的测试精度大概在82%点几，用了resnet18，效果达到89.69%学习了大半年的深度学习，开始跑的第一个效果较好的模型。在数据处理的时候Pad（4）有用。

代码可供参考.例子大概就是4个盒子，两种球（红和白），观察的结果O={红 红 白 白 红}

先安装CUDA11.6版本，再安装Anaconda，再安装pytorch。安装pytorch。conda数据源管理。

初始的文件，这个比较好想，但是超时# kewei相等数.pya=int(input())while a!=0: m,n,yushu=1,1,0 while a**n<1000: n+=1 yushu=a**n%1000 # print(n) # print(yushu) m=n+1 if yushu==0: ...

题目和想法：https://blog.youkuaiyun.com/qq_21882325/article/details/78052388个人用python写的#WOJ 103.py#这是一道概率题目，A连赢两把的概率为p的平方，连输两把的概率为（1-p）的平方，一胜一负没啥用# 相当于起始状态#所以为了方便，我们直接对读的数据进行这两种运算。def main(): t=int(i...

Given an array consists of n positive integers,your task is to find the largest C which makes C=A+B. A,B,C are all in the given array.输入格式Standard input will contain multiple test cases. The first ...