70、可否认的可学习加密与Docker镜像和容器安全

可否认的可学习加密与Docker镜像和容器安全

可否认的可学习加密

模型训练准确性对比

在对CIFAR数据集的研究中,对比了两种模型(ResNet和CNN)在普通图像和加密图像上的训练准确性,具体数据如下表所示:
| 模型 | 普通图像准确率 | 加密图像准确率 | 多模型预测准确率 |
| ---- | ---- | ---- | ---- |
| ResNet | 0.8469 | 0.7788 | 0.8507 |
| CNN | 0.8393 | 0.7469 | 0.8289 |

从表中可以看出,使用普通图像训练时,ResNet和CNN的准确率分别为0.8469和0.8393;而使用可学习加密的图像进行训练时,准确率下降了近0.1。不过,通过提出的多模型预测方法,可以减少可学习加密导致的特征损失,使准确率恢复到与使用普通图像训练时几乎相同的水平,并且该方法对两种模型结构都有效。

模型数量对预测准确性的影响

模型数量对预测准确性有着显著的影响,具体表现如下:
- 准确性提升 :随着模型数量的增加,预测准确性会得到提高。
- 投票与概率求和对比 :当模型数量达到10个或更多时,通过标签投票和概率求和的方式得到的结果几乎相同;而当使用较少的模型时,概率求和的方式会比标签投票更好。
- 资源与准确性平衡 :虽然更多的模型能带来更高的准确性,但会消耗更多的资源。至少使用3到4个模型可以使准确性有显著提升,而使用6到7个模型时,准确性几乎达到极限。为了提

内容概要:本文详细介绍了如何使用STM32微控制器精确控制步进电机,涵盖了从原理到代码实现的全过程。首先,解释了步进电机的工作原理,包括定子、转子的构造及其通过脉冲信号控制转动的方式。接着,介绍了STM32的基本原理及其通过GPIO端口输出控制信号,配合驱动器芯片放大信号以驱动电机运转的方法。文中还详细描述了硬件搭建步骤,包括所需硬件的选择连接方法。随后提供了基础控制代码示例,演示了如何通过定义控制引脚、编写延时函数控制电机转动函数来实现步进电机的基本控制。最后,探讨了进阶优化技术,如定时器中断控制、S形或梯形加减速曲线、微步控制及DMA传输等,以提升电机运行的平稳性精度。 适合人群:具有嵌入式系统基础知识,特别是对STM32步进电机有一定了解的研发人员技术爱好者。 使用场景及目标:①学习步进电机STM32的工作原理及二者结合的具体实现方法;②掌握硬件连接技巧,确保各组件间正确通信;③理解并实践基础控制代码,实现步进电机的基本控制;④通过进阶优化技术的应用,提高电机控制性能,实现更精细平稳的运动控制。 阅读建议:本文不仅提供了详细的理论讲解,还附带了完整的代码示例,建议读者在学习过程中动手实践,结合实际硬件进行调试,以便更好地理解掌握步进电机的控制原理技术细节。同时,对于进阶优化部分,可根据自身需求选择性学习,逐步提升对复杂控制系统的理解。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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