<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[闲云野鹤的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weinierbian</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weinierbian]]></copyright><item><title><![CDATA[sqlite 导出CSV,身份证号码显示科学计数法]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/129932658</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/129932658</guid><author>weinierbian</author><pubDate>Mon, 03 Apr 2023 16:28:57 +0800</pubDate><description><![CDATA[1、sqlite 不支持concat ，故使用select  “ ’ ” || 列名  from ***，但导出CSV后的身份证号前均带“ ’ ”。2、CSV 打开后选择身份证号码数据，点击“数据”-“分列 ” ，文本标识符合“ ’ ”，下一步 选“文本”。网上搜索大量资料后，解决此问题。]]></description><category></category></item><item><title><![CDATA[电子邮件头Received分析]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/127508439</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/127508439</guid><author>weinierbian</author><pubDate>Tue, 25 Oct 2022 10:26:21 +0800</pubDate><description><![CDATA[意思是从来源IP 220.181.1.1 ，来源服务器名字abc.com 发送过来的邮件于时间：Wed, 24 May 2006 18:27:26 +0800使用SMTP协议被coremail系统中名为mm的服务器接收下来，标记id号为FID06w41dERxHDEA.1，发给XXX@qiye.163.com。由于 Internet 上未经授权的商业邮件数量已迅猛增长，因此在邮件头中提供虚假信息的行为也日益增长。· Sender：邮件的实际发送者。· Subject：邮件的主题。]]></description><category></category></item><item><title><![CDATA[如何解析微信的语音文件]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126777138</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126777138</guid><author>weinierbian</author><pubDate>Fri, 09 Sep 2022 09:56:36 +0800</pubDate><description><![CDATA[微信 语音]]></description><category></category></item><item><title><![CDATA[伪造微信语音文件的过程分析]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126766984</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126766984</guid><author>weinierbian</author><pubDate>Thu, 08 Sep 2022 16:20:41 +0800</pubDate><description><![CDATA[微信 取证]]></description><category></category></item><item><title><![CDATA[「微信帐号&amp；语音文件」结构分析-amr文件]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126737991</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126737991</guid><author>weinierbian</author><pubDate>Wed, 07 Sep 2022 08:55:58 +0800</pubDate><description><![CDATA[微信 语音 amr]]></description><category></category></item><item><title><![CDATA[微信账号和语音文件的结构分析]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126701714</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126701714</guid><author>weinierbian</author><pubDate>Mon, 05 Sep 2022 11:35:16 +0800</pubDate><description><![CDATA[微信 数据库]]></description><category></category></item><item><title><![CDATA[微信聊天记录查看、恢复2之uin为10位数字]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126700288</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126700288</guid><author>weinierbian</author><pubDate>Mon, 05 Sep 2022 10:44:12 +0800</pubDate><description><![CDATA[微信 uin]]></description><category></category></item><item><title><![CDATA[短信数据库]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/126686535</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/126686535</guid><author>weinierbian</author><pubDate>Sun, 04 Sep 2022 10:34:49 +0800</pubDate><description><![CDATA[短信数据库]]></description><category></category></item><item><title><![CDATA[win32-FileTimeToSystemTime的使用]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/116517323</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/116517323</guid><author>weinierbian</author><pubDate>Sat, 08 May 2021 09:09:37 +0800</pubDate><description><![CDATA[#include &lt;Windows.h&gt;
#include &lt;iostream&gt;
#include &lt;string&gt;
#pragma warning(disable:4996)

int main()
{  
  const char *day[] = {"Sunday","Monday","Tuesday","Wednesday","Thursday","Friday","Saturday"};
  const char* month[] = {"Ja...]]></description><category></category></item><item><title><![CDATA[SYSTEMTIME、FILEITIME、LOCLTIME、UTC、QDateTime等各种时间]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/116459764</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/116459764</guid><author>weinierbian</author><pubDate>Thu, 06 May 2021 18:16:30 +0800</pubDate><description><![CDATA[1.UTC：世界协调时间

2.LOcalTime：本地时间，也就是系统设置时区的当前时间；

3.SYSTEMTIME:格林威治时间，由本地时间减去时区即可，与localtime都是用SYSTEMTIME结构体存储；

4.FileTime：基于UTC，是一个64 bit的值，记录由1609-01-01 00:00:00到现在的秒数，精确到纳秒；

5.time_t时间戳：一个64 bit的值，记录离1970-01-01 00:00:00到现在的秒数；

6.QDateTime是QT中QDate和QTim]]></description><category></category></item><item><title><![CDATA[JPEG 标准推荐的亮度、色度DC、AC Huffman 编码表]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/115003675</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/115003675</guid><author>weinierbian</author><pubDate>Fri, 19 Mar 2021 12:42:00 +0800</pubDate><description><![CDATA[JPEG 标准推荐的亮度、色度DC、AC Huffman 编码表

博主在完成数字图像处理大作业时利用搜索引擎查找了很久完整的四张Huffman 编码表(亮度AC Huffman编码表、亮度DC Huffman编码表、色度AC Huffman编码表、色度DC Huffman编码表)，发现中文博客中的编码表大都不完整或者排版混乱，不知所云；英文博客中也几乎没有相关内容。最后查看JPEG标准文档终于找到了完整的Huffman 编码表，现将之公布在此，方便大家查询、使用。

JPEG推荐的亮度直流霍夫曼编码表 (]]></description><category></category></item><item><title><![CDATA[机器学习：ACC、ROC和AUC]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/104111058</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/104111058</guid><author>weinierbian</author><pubDate>Wed, 29 Jan 2020 22:34:36 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/keedor/p/4463988.html

很多时候我们都用到ROC和AUC来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，为什么还要有ROC呢，ACC和ROC的区别又在哪儿，这是我喜欢的一种既生...]]></description><category></category></item><item><title><![CDATA[深度学习基础系列（十一）| Keras中图像增强技术详解]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/103981048</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/103981048</guid><author>weinierbian</author><pubDate>Tue, 14 Jan 2020 22:28:01 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/hutao722/p/10075150.html

在深度学习中，数据短缺是我们经常面临的一个问题，虽然现在有不少公开数据集，但跟大公司掌握的海量数据集相比，数量上仍然偏少，而某些特定领域的数据采集更是非常困难。根据之前的学习可知，数据量少带来的最直接影响就是过拟合。那有没有办法在现有少量数据基础上，降低或解决过拟合问题呢？

   答案是有的...]]></description><category></category></item><item><title><![CDATA[keras01 - hello world ~ 搭建第一个神经网络]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/103788076</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/103788076</guid><author>weinierbian</author><pubDate>Tue, 31 Dec 2019 19:42:04 +0800</pubDate><description><![CDATA[import numpy as np
from keras.datasets import mnist
from keras.models import Sequential, Model
from keras.layers.core import Dense, Activation, Dropout
from keras.utils import np_utils

import matplot...]]></description><category></category></item><item><title><![CDATA[python使用wmi模块]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/103212236</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/103212236</guid><author>weinierbian</author><pubDate>Sat, 23 Nov 2019 11:29:53 +0800</pubDate><description><![CDATA[原文链接：https://blog.youkuaiyun.com/xiaohongmao663832/article/details/87557113

步骤1:
pip install wmi
1
步骤2:
到网站https://pypi.org/project/pywin32/#files下载合适版本的包,
这里我使用的是:
pywin32-224-cp37-cp37m-win_amd64.whl (9....]]></description><category></category></item><item><title><![CDATA[深度神经网络中的感受野(Receptive Field)]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/102662401</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/102662401</guid><author>weinierbian</author><pubDate>Mon, 21 Oct 2019 13:31:47 +0800</pubDate><description><![CDATA[终于在知乎上中找到深度神经网络中的感受野(Receptive Field) - 蓝荣祎的文章 - 知乎
) 算是弄清了基本原理，记录以备忘

1.先举个例子：


	e.g.两层 3*3 卷积操作的有效区域(感受野)是5*5 (所有filter的stride=1,pad=0),示意图如下：
	

	
	
	
	三层3*3卷积核操作的有效区域是7*7 (所有filter的stride=1，pad=...]]></description><category></category></item><item><title><![CDATA[神经网络浅讲：从神经元到深度学习]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/102081898</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/102081898</guid><author>weinierbian</author><pubDate>Fri, 04 Oct 2019 17:23:07 +0800</pubDate><description><![CDATA[神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。

　　本文以一种简单的，循序的方式讲解神经网络。适合对神经网络了解不多的同学。本文对阅读没有一定的前提要求，但是懂一些机器学习基础会更好地帮助理解本文。

　　神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技...]]></description><category></category></item><item><title><![CDATA[神经网络的训练和测试 python]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/102077743</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/102077743</guid><author>weinierbian</author><pubDate>Fri, 04 Oct 2019 16:38:17 +0800</pubDate><description><![CDATA[承接上一节，神经网络需要训练，那么训练集来自哪？测试的数据又来自哪？

　　《python神经网络编程》一书给出了训练集，识别图片中的数字。测试集的链接如下：

　　https://raw.githubusercontent.com/makeyourownneuralnetwork/makeyourownneuralnetwork/master/mnist_dataset/mnist_test_1...]]></description><category></category></item><item><title><![CDATA[为什么要使用堆栈？]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/92442770</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/92442770</guid><author>weinierbian</author><pubDate>Sun, 16 Jun 2019 23:48:21 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/zhongyunde/article/details/41293161

为什么要使用堆栈？
  一个过程调用可以象跳转(jump)命令那样改变程序的控制流程, 但是与跳转不同的是, 当工作完成时,函数把控制权返回给调用之后的语句或指令。 这种高级抽象实现起来要靠堆栈的帮助。
  堆栈也用于给函数中使用的局部变量动态分配空间, 同样给函数传递...]]></description><category></category></item><item><title><![CDATA[函数调用堆栈的过程]]></title><link>https://blog.youkuaiyun.com/weinierbian/article/details/92442229</link><guid>https://blog.youkuaiyun.com/weinierbian/article/details/92442229</guid><author>weinierbian</author><pubDate>Sun, 16 Jun 2019 23:42:25 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/zhuoya_/article/details/80516246

本篇来分析函数调用的过程：

通过下面一个简单的例子来进入话题：

#include&lt;stdio.h&gt;
int sum(int a,int b)
{
 int tmp=0;
 tmp=a+b;
 return tmp;
}

int main()
{
...]]></description><category></category></item></channel></rss>