<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小衎的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiaokan_001</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiaokan_001]]></copyright><item><title><![CDATA[论剑场中部分web题的WP]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/120731393</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/120731393</guid><author>xiaokan_001</author><pubDate>Tue, 12 Oct 2021 20:24:51 +0800</pubDate><description><![CDATA[好久不更，最近在学习ctf，今天更一波new bugctf论剑场中部分web题的WP，有一部分是借鉴大佬的博客！
web25
有一个输入框，一个下载链接，随便输入显示wrong!，下载链接进去后转http://123.206.87.240:10025/2/ziidan.txt显示下载错误，经多方尝试直接访问链接http://123.206.87.240:10025/ziidan.txt会出现一些类似字典的字符串，如下
asdhjk
dakjhkjwq
adkjhsdk
fkdjknbv
dkajshdlj
]]></description><category></category></item><item><title><![CDATA[bugkuctf——社工-伪造]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/119617715</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/119617715</guid><author>xiaokan_001</author><pubDate>Wed, 11 Aug 2021 21:37:01 +0800</pubDate><description><![CDATA[bugkuctf中的“社工伪造”题目，需要修改图像，找不到这张图片，所以截图……感觉像素还可以，所以分享大家共用。


]]></description><category></category></item><item><title><![CDATA[python踩坑（一）——line contains NUL]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/116002364</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/116002364</guid><author>xiaokan_001</author><pubDate>Thu, 22 Apr 2021 10:16:04 +0800</pubDate><description><![CDATA[python踩坑（一）——line contains NUL
作文本分类作业时，出现一个坑……搞了一晚上。用torchtext中的data读取tsv和csv数据时一直出现line contains NUL错误，期间一直对数据做调整，包括修改文本数据中的\t、转换半角的,等等，一直不行，一直百度……，然后用pandas读取csv，也出现错误，有的行明明两项，但是read_csv报错说检测到3项，继续百度……，不得不说这个搜索真的是一直对不上号，直到在翻了两页看到https://stackoverflow.co]]></description><category></category></item><item><title><![CDATA[kali_linux修改php配置文件不生效问题解决]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/114250629</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/114250629</guid><author>xiaokan_001</author><pubDate>Mon, 01 Mar 2021 09:00:16 +0800</pubDate><description><![CDATA[kali_linux修改php配置文件‘php.ini’不生效问题解决
这两天用php生成phar文件，需要修改php.ini配置文件，但是修改完网页下查看phpinfo信息中的php.ini，php运行时一直不生效，报错。查了还几天终于发现了问题，因为kali中装了好多个php环境，terminal中的php与apache中的php不是同一个环境。所以要运行terminal种的php需要修改它的环境，因此运行命令：
php -r 'phpinfo();'

可以看到配置文件位置：

然后运行，发现php.]]></description><category></category></item><item><title><![CDATA[Adversarial examples in the physical world]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/114162732</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/114162732</guid><author>xiaokan_001</author><pubDate>Sat, 27 Feb 2021 21:42:54 +0800</pubDate><description><![CDATA[文献链接： https://arxiv.org/abs/1607.02533
摘要
现有的大多数机器学习分类器极易受到对抗样本的攻击。当前，很多对抗样本是直接将数据输入至分类器中，但是在现实中，并不能直接将图片数据输入系统，而是通过相机等传感器将信号输入系统的。本文在基于此类现实环境做出相关研究。发现在此种情况下，机器学习模型仍然也是很容易受到对抗样本的攻击。作者通过手机摄像头获得对抗样本的图像，然后输入ImageNet Inception分类器中，通过分类精度来证实了，即使通过摄像机观察，也有很大一部分.]]></description><category></category></item><item><title><![CDATA[《Explaining and Harnessing Adversarial Examples》即FGSM算法Pytorch实现]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/113848647</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/113848647</guid><author>xiaokan_001</author><pubDate>Thu, 18 Feb 2021 16:28:06 +0800</pubDate><description><![CDATA[参考了众多代码，但是效果不佳，可以勉强实现文中的实验，仅供参考，代码菜鸟，大神飘过……
#!/usr/bin/env python
# coding: utf-8

# In[1]:


import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import torch.nn as nn
import torchvision
import torch
from torchvision import transforms,]]></description><category></category></item><item><title><![CDATA[Explaining and Harnessing Adversarial Examples]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/113847999</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/113847999</guid><author>xiaokan_001</author><pubDate>Thu, 18 Feb 2021 16:02:24 +0800</pubDate><description><![CDATA[对抗样本自从2014年被提出来之后，逐渐引发人们的关注,在Ian J. Goodfellow大佬的推动下，对抗样本攻防逐渐成为一个小领域，本文是Ian J. Goodfellow大佬在2015年ICLR上发表的论文，解释了对抗样本的机理以及通过实验论证了他的假设，同时借助该假设提出了一个快速梯度标记算法来产生对抗样本.
**文献链接：**https://arxiv.org/abs/1412.6572
摘要
对于对抗样本导致的误分类现象，早期解释的关注点在非线性和过拟合上，文章用线性惯性进行解释，并首次给出.]]></description><category></category></item><item><title><![CDATA[《Intriguing properties of neural networks》代码实现——Pytorch]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/113833181</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/113833181</guid><author>xiaokan_001</author><pubDate>Wed, 17 Feb 2021 13:16:37 +0800</pubDate><description><![CDATA[《Intriguing properties of neural networks》代码实现——Pytorch
一、代码实现
#导入库
import torch 
import torch.nn as nn
import torch.optim as optim
import torchvision
import numpy as np
import matplotlib.pyplot as plt

# 加载mnist数据
mnist_train = torchvision.datasets.MNIST(]]></description><category></category></item><item><title><![CDATA[Intriguing properties of neural networks]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/113831438</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/113831438</guid><author>xiaokan_001</author><pubDate>Wed, 17 Feb 2021 12:46:45 +0800</pubDate><description><![CDATA[Intriguing properties of neural networks
ps：由于作者刚开始读论文，英文水平有限，总结能力尚浅，因此主要以翻译为主，然后用代码实现文章中的实验……大神请飘过……
文章连接：https://arxiv.org/abs/1312.6199
一般认为这篇paper是对抗样本的开山之作
Abstract
深度神经网络是高度表达的模型，最近在语音和视觉识别任务上达到了非常优秀的性能。 尽管他们的表现力是他们成功的原因，但是这也使他们学习了无法解释的，可能具有反直觉特性的解决方]]></description><category></category></item><item><title><![CDATA[优快云插件——真的不知道好不好用]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/111487117</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/111487117</guid><author>xiaokan_001</author><pubDate>Mon, 21 Dec 2020 20:17:21 +0800</pubDate><description><![CDATA[优快云插件——真的不知道好不好用
没想到第一次测评……用在了优快云的插件上，（本来测个什么高大上的东西—……emmmm），好吧，我承认是为了讲评，而且装个插件而不需要啥成本……，废话不多说，各位看官往下看。
一、安装
可以下载安装和在线安装，当然和我一样无法科学上网的选择本地下载安装包后，通过更多工具–&gt;扩展程序界–&gt;开发者模式(右上角)，直接拖入安装包即可；可以科学上网的更方便了，直接点进谷歌商店下载安装。

二、试用
2.1 界面
首先就整体界面感而言谈不上好看但是重在实用。多个博客论坛]]></description><category></category></item><item><title><![CDATA[第四章 朴素贝叶斯法]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/109309201</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/109309201</guid><author>xiaokan_001</author><pubDate>Tue, 27 Oct 2020 13:41:34 +0800</pubDate><description><![CDATA[第四章 朴素贝叶斯法
朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设的分类方法。对给定的数据集，实现NB如下

基于特征条件独立假设学习输入输出的联合概率分布；
基于模型，对输入xxx，利用贝叶斯定理求出后验概率最大的输出yyy。

4.1 朴素贝叶斯法的学习与分类
4.1.1 基本方法
对于由P(X,Y)P(X,Y)P(X,Y)独立同分布产生的数据集T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}T={(x1​,y]]></description><category></category></item><item><title><![CDATA[第二章 感知机]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/109256283</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/109256283</guid><author>xiaokan_001</author><pubDate>Sat, 24 Oct 2020 13:18:59 +0800</pubDate><description><![CDATA[第2章 感知机
感知机1957年由Rosenblatt提出，是神经网络与支持向量机的基础。
2.1 感知机模型
感知机是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值，其属于判别模型。表示如下：
f(x)=sign(w⋅x+b)(2.1)
f(x)=sign(w\cdot x+b)\tag{2.1}
f(x)=sign(w⋅x+b)(2.1)
其中w∈Rnw\in R^nw∈Rn表示权值或权值参数；和b∈Rb\in Rb∈R表示偏置，均为为感知机参数。x∈Xx\in \ma]]></description><category></category></item><item><title><![CDATA[第一章 统计学习及监督学习概论（五）]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/108378514</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/108378514</guid><author>xiaokan_001</author><pubDate>Thu, 03 Sep 2020 11:07:30 +0800</pubDate><description><![CDATA[1.6 泛化能力
1.6.1 泛化误差
学习方法的泛化能力是指由该方法学习到的模型对未知数据的预测能力，是学习方法本质上的重要性质。现实中采用最多的就是通误差来评价学习方法的泛化能力。公式表示为：
R(f^)=Ep[L(Y,f^(X))]=∫XxYL(y,f^(x))P(x,y)dxdyR(\hat{f})=E_p[L(Y,\hat{f}(X))]=\int_{XxY}L(y,\hat{f}(x))P(x,y)dxdyR(f^​)=Ep​[L(Y,f^​(X))]=∫XxY​L(y,f^​(x))P(x,y]]></description><category></category></item><item><title><![CDATA[第一章 统计学习及监督学习概论（四）]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107345198</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107345198</guid><author>xiaokan_001</author><pubDate>Tue, 14 Jul 2020 19:07:21 +0800</pubDate><description><![CDATA[1.4 模型评估与模型选择
1.4.1 训练误差与测试误差
统计学习的目的是使学到的模型不仅对已知数据而且对未知数据都能有很好的预测能力。当损失函数给定时，基于损失函数的模型的训练误差和测试误差就自然成为学习方法评估的标准。
学习到的模型为Y=f^(X)Y=\hat{f}(X)Y=f^​(X)，则训练误差是模型Y=f^(X)Y=\hat{f}(X)Y=f^​(X)关于训练数据集的平均损失为：
Remp(f^)=1N∑i=1NL(yi,f^(xi))R_{emp}(\hat{f})=\frac{1}{N}\d]]></description><category></category></item><item><title><![CDATA[第一章 统计学习及监督学习概论（三）]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107297668</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107297668</guid><author>xiaokan_001</author><pubDate>Sun, 12 Jul 2020 12:14:46 +0800</pubDate><description><![CDATA[1.3 统计学习方法三要素
统计学习方法都是由模型、策略和算法构成，即三要素。可以简单的表示为：方法=模型+策略+算法。可以说构建一种统计学习方法就是确定具体的三要素。监督学习、非监督学习和强化学习等都有三要素，下面以监督学习为例。
1.3.1 模型
统计学习首要考虑的问题是学习什么样的模型。模型即要学习的条件概率分布或决策函数，模型的假设空间包含所有的条件概率分布或决策函数，故一般是无穷多。
假设空间可以定义为决策函数的集合：
F={f∣Y=f(X)}(1)F= \{ f|Y=f( X )\}\tag{1]]></description><category></category></item><item><title><![CDATA[第一章 统计学习及监督学习概论（二）]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107286984</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107286984</guid><author>xiaokan_001</author><pubDate>Sat, 11 Jul 2020 16:44:13 +0800</pubDate><description><![CDATA[1.2 统计学习的分类
1.2.1 基本分类
统计学习一般包括监督学习、无监督学习和强化学习，有时还包括半监督学习、主动学习。
1.监督学习
监督学习（supervised learning）是指从标注数据中学习预测模型的机器学习问题。其本质是学习输入输出的映射统计规律。
（1）输入空间、特征空间和输出空间
输入与输出所有可能取值的集合分别称为输入空间和输出空间。输入和输出空间的大小可以有限也可是无限集，当然其可以是同一空间也可以是不同空间。一般情况下输出空间远远小于输入空间。
每个具体的输入实例，通常由一]]></description><category></category></item><item><title><![CDATA[第一章 统计学习及监督学习概论（一）]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107128855</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107128855</guid><author>xiaokan_001</author><pubDate>Sat, 04 Jul 2020 19:06:52 +0800</pubDate><description><![CDATA[1.1 统计学习
统计学习是关于计算机基于数据个哦偶见统计概率统计模型并运用模型对数据进行预测与分析的一门学科。
1.统计学习的特点

统计学习以计算机及网络为平台；
统计学习以数据为研究对象，是数据驱动的学科；
统计学习的目的是对数据进行预测与分析；
统计学习以方法为中心，统计学习方法构建模型并依靠嗯与模型进行预测与分析；
统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科，并在发展中逐步形成独自的理论体系和方法论。

2.统计学习的对象
统计学习研究的对象是数据。它从]]></description><category></category></item><item><title><![CDATA[《统计学习方法》开启]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107128845</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107128845</guid><author>xiaokan_001</author><pubDate>Sat, 04 Jul 2020 19:04:19 +0800</pubDate><description><![CDATA[终于下决心开始学习李航博士的《统计学习方法》，此专栏记录自己的学习笔记，和对书中的一些知识的自我理解，当然如果可以，争取完成所有的作业，用更新博客来打卡学习把！


]]></description><category></category></item><item><title><![CDATA[ubuntu 20.04安装 unity-tweak-tools 启动时遇到错误]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107089499</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107089499</guid><author>xiaokan_001</author><pubDate>Thu, 02 Jul 2020 17:39:39 +0800</pubDate><description><![CDATA[安装了半天unity-tweak-tools,一直打不开，报错schema com.canonical.Unity.ApplicationsLens not installed找了半天才解决……希望可以借鉴！
解决方法：
sudo apt-get install unity-lens-applications 
sudo apt-get install unity-lens-files

以上命令安装两个依赖包就可以打开！

...]]></description><category></category></item><item><title><![CDATA[我的考研]]></title><link>https://blog.youkuaiyun.com/xiaokan_001/article/details/107068460</link><guid>https://blog.youkuaiyun.com/xiaokan_001/article/details/107068460</guid><author>xiaokan_001</author><pubDate>Wed, 01 Jul 2020 17:32:10 +0800</pubDate><description><![CDATA[兜兜转转考研一年了，虽然中间经历了一些挫折，但是结果还算尽如人意吧。突然想把自己的一些经历和想法写下来，希望对和我一样菜但也想考研的同学有一些帮助吧。当然学霸、大神请绕道。
一、时间的把控
我是差不多6月开始复习的，但是真正复习的时间是从9月份预报名开始的，中间各种事耽误，没办法安心复习，搞得心理总觉得在浪费时间，后来实在不爽，索性就直接放弃了，只有等到晚上有时间就静心学习一会。一直到9月分预报名后，事情也少了，好多事处理完了，也就正式开始复习。所以时间非常紧，我感觉9月份别人已经复习了好几论了。我主要分配]]></description><category></category></item></channel></rss>