原创 Program Slicing
在計算機編程,程序切片是一組程序語句的計算,切片可用於調試以更容易地定位錯誤源。切片的其他應用包括軟件維護,優化,程序分析和信息流控制。 自Mark Weiser最初的定義以來,切片技術一直在迅速發展。最初,
原创 JS/JavaScript中兩個等號 == 和 三個等號 === 的區別
JavaScript中兩個等號 == 和 三個等號 === 的區別 一、概念 == 和 === (1) "=="叫做相等運算符,"==="叫做嚴格運算符。 (2) ==,equality -> 等同 的意思, 兩邊值類型不同的時
原创 機器學習-實現簡單神經網絡(筆記和代碼實現)
一、神經網絡簡介 神經網絡算法的發展歷史 起源:20世紀中葉,一種仿生學產品。 興起:環境->2進制創新;能力->軟硬件;需求->人的性價比。 主要功能: 分類識別
原创 solidity編寫智能合約的安全漏洞問題(二)
智能合約是“不可變的”。一旦部署,它們的代碼是不能更改的,導致無法修復任何發現的bug。 在潛在的未來裏,整個組織都由智能合約代碼管控,對於適當的安全性需求巨大。過去的黑客如TheDAO或去年的Parity黑客(7月、11月)提高了開發者
原创 智能合約新型漏洞詳情
3.新型漏洞詳情 3.1.underSell: 高賣低收(CVE-2018-11811) 管理員通過修改合約中的參數來製造溢出漏洞,導致用戶提幣轉出token之後,卻收不到ETH(或收到極少量ETH),造成用戶經濟損失。 漏洞實例:合約I
原创 黑暗危害:基於學習,大規模發現Android應用中的隱藏敏感操作(HSO)
黑暗危害:基於學習,大規模發現Android應用中的隱藏敏感操作(HSO) 摘要 隱藏敏感操作(HSO),例如:在接收SMS消息時竊取隱私用戶數據正越來越多地被移動惡意軟件和其他潛在危害應用(PHA)用來逃避檢測,由於在應用程序運行時觸發
原创 solidity編寫智能合約的安全漏洞問題(一)
回顧 3 個底層調用 call(), delegatecall(), callcode() 和 3 個轉幣函數 call.value()(), send(), transfer(): - call() call() 用於 Solidity
原创 2017CS231n李飛飛深度視覺識別筆記(十二)——可視化和理解卷積神經網絡
第十二講 可視化和理解卷積神經網絡 課時1 特徵可視化、倒置、對抗樣本 上一章中計算機視覺中一些內容,包括圖像分割、檢測以及識別;這一章中將討論卷積神經網絡的內部真正的工作原理是什麼。 第一層:由許多卷積核組成,每個卷積
原创 區塊鏈入門筆記
區塊鏈入門筆記 區塊鏈(BlockChain),是區塊(Block)和鏈(Chain)的直譯, 每個區塊存儲規定時間內的交易數據.並通過密碼學的方式.形成一個不可篡改、全員共有的分佈式賬本。 區塊鏈中的交易是一種
原创 2017CS231n李飛飛深度視覺識別筆記(十一)——圖像識別和分割
第十一講 圖像識別和分割 上一章中講到使用循環神經網絡來解決問題,同時也看到這個網絡結構在很多方面的應用;目前爲止談論最多的是分類問題,這一章中我們在基於計算機視覺的主題上將討論目標檢測、圖像分割等內容。 首先是語義分割,
原创 2017CS231n李飛飛深度視覺識別筆記(十)——循環神經網絡
第十講 循環神經網絡 課時1 RNN,LSTM,GRU 上一章中討論了CNN的架構有關內容,這一節中將討論有關RNN的內容。 在之前的學習中,提到了一種稱爲vanilla的前饋網絡,所有網絡架構都有這種基礎架構,會接收一些
原创 2017CS231n李飛飛深度視覺識別筆記(九)——CNN架構
第九講 CNN架構 上一章中討論了不同的深度學習框架,包括有TensorFlow、PyTorch、Caffe,這一章中將會討論CNN架構方面的內容。 在這裏會深入探討那些ImageNet比賽獲勝者所用的最多的神經網絡架構,
原创 Jquery ajax, Axios, Fetch區別之我見
引言 前端技術真是一個發展飛快的領域,我三年前入職的時候只有原生XHR和Jquery ajax,我們還曾被JQuery 1.9版本版本以下不支持大文件請求這個問題卡了半天(最後自己寫了原生的XHR請求)。一晃眼,JQuery ajax早已
原创 ES6中常用的10個新特性講解
ES6中常用的10個新特性講解 ECMAScript 6(ES6) 目前基本成爲業界標準,它的普及速度比 ES5 要快很多,主要原因是現代瀏覽器對 ES6 的支持相當迅速,尤其是 Chrome 和 Firefox 瀏覽器,已經支持 ES
原创 2017CS231n李飛飛深度視覺識別筆記(三)——損失函數和優化
第三章 損失函數和優化課時1 損失函數 在上一章的課程中,我們討論了識別問題,並嘗試了數據驅動的方式,講到了圖像分類的難點在哪裏;同時討論了K近鄰分類器以便作爲介紹數據驅動理念的一個簡單例子,最後還討論了交叉驗證以及如何把數據劃分爲