机器学习中的自然语言处理(NLP)

数据表示 一般来说字符串数据分为四种： 分类数据 可以在语义上映射维类别的自由字符串 结构化字符串数据 文本数据 词袋表示 这种表示舍弃了输入文本中的大部分结构，如段落、章节、句子和格式，只计算每个单词在每个文本中的出现频次。 计算词袋有以下步骤： 分词（tokenization）：将每个文档划分为出现在其中的单词，按空格和标点划分。 构建词表（vocabulary building）：收集词表，包含出现在任意文档的所有词。 编码（encoding）：对于每个文档，计算每个单词在文档中的出现频次。(稀疏矩阵存储) CountVectorizer 简单使用 from sklearn.feature_extraction.text import CountVectorizer vect = CountVectorizer() vect.fit(bard_words) # train len(vect.vocabulary_) vect.vocabulary_ bag_of_words = vect.transform(bard_words) # 词袋表示使用稀疏矩阵存储 ba

机器学习 · 2023-03-23 · 326 人浏览
机器学习中的自然语言处理(NLP)

HUST|逆向工程 实验一

exe文件：逆向工程实验一.zip ※步骤一：运行程序，查看特征字符串"Please Input:"通过IDA Pro找到该字符串所在位置,即定位main函数 ※步骤二: 在main函数中尝试反汇编,IDA报错,错误信息显示栈sp不平衡.打开IDA Optionals中的Stack pointer,分析程序中哪些位置栈不平衡.发现两处位置不平衡,将两处的push 0注释为nop 一般来说不平衡发生在调用函数前后,调用函数前push参数,那么在函数返回时应该观察SP是否调整去,比如 被调用函数返回时使用带参数返回指令ret N 或 调用者在调用函数后通过add esp,N ※步骤三:至此main函数可以反汇编,得到以下结果.观察各个函数,不难猜测: sub_48CD46是printf函数,因为参数中带有输出字符串"Please Input" sub_48C0EE是scanf函数,因为参数中带有模式字符串%s,第二个参数是一个地址,可能指向缓冲区,且带有一个常数30,一般是指缓冲区长度.那么unk_5F3068就是用户输入字符串的地址 sub_48A9A6是strle

逆向·网安 · 2023-03-23 · 1329 人浏览
HUST|逆向工程 实验一

腾讯菁英班|AssaultCube 1.3.0.2 逆向分析

作品说明 对AssaultCube 1.3.0.2进行攻击，实现透视、自瞄类的作弊功能。 实验环境 调试工具：x64dbg(使用32位版本x32dbg)、Cheat Engineer 开发工具：Visual Studio 2019 准备工作 1.定位玩家基地址和相关结构 1）首先通过CE附加到AssaultCube(以下统称AC)，通过多次扫描得到玩家的位置/视角信息。 注1：可以在多次扫描中穿插扫描变化/不变的值，进一步缩小选择范围。或者使用AC自带的控制台功能(~)，使用dbgpos 1得到玩家当前的位置信息和视角信息。如下图右下角所示。 注2：为了方便调试之后的内容(透视/自瞄)，可以使用控制台 idlebots 1禁用机器人移动和射击。 2）找到YAW信息后，查找是哪条指令向其写入数据，得到0x4BF922。使用x32dbg进行反汇编。 3）0x4BF922处的指令是movss，数据来源于ecx+34指向的地址，向上翻找汇编代码，可以看到ecx在0x4BF905被赋值（数据来源于数据段的指针0x57E0A8），打下断点，查看此时ecx的值为0x00963080。查看这块

逆向·网安 · 2023-03-22 · 1390 人浏览
腾讯菁英班|AssaultCube 1.3.0.2 逆向分析

Faster RCNN

摘要 ​ Faster RCNN在Fast RCNN的基础上增加了RPN网络来代替比较耗时的Selective Search。RPN网络和检测网络共享同一张卷积特征图，他同时预测每个位置的前景（背景）概率和每一类相对于锚框的偏移，得到的预测框将送入Fast RCNN的检测头进行进一步的分类和BBOX回归。 ​ 对于非常深的VGG-16模型，Faster RCNN在GPU上的帧速率为5fps（包括所有步骤），同时在PASCAL VOC 2007、2012和MS COCO数据集上实现了最先进的对象检测精度，每张图像只有300个建议框。在ILSVRC和COCO 2015竞赛中，Faster R-CNN和RPN是多个赛道第一名获奖作品的基础。 算法流程 RPN网络结构 正向传播 对于特征图上的每个3x3的滑动窗口(实际实现就是用conv3x3 p1 s1)，首先计算窗口中心点在原图上的位置，并计算出k个anchor box ​ 对于anchor的选择，共有三种比例，三种尺度，即每个位置都有9个anchor 感受野 ​ 对于特征图上的感受野，骨干网络为ZFNet时，感

深度学习 · 2023-03-22 · 306 人浏览

Fast RCNN

相较于RCNN的改进 Fast RCNN仍然使用selective search选取2000个建议框，但是这里不是将这么多建议框都输入卷积网络中，而是将原始图片输入卷积网络中得到特征图，再使用建议框对特征图提取特征框。这样做的好处是，原来建议框重合部分非常多，卷积重复计算严重，而这里每个位置都只计算了一次卷积，大大减少了计算量 由于建议框大小不一，得到的特征框需要转化为相同大小，这一步是通过ROI池化层（region of interest）来实现的 Fast RCNN里没有SVM分类器和回归器了，分类和预测框的位置大小都是通过卷积神经网络输出的 为了提高计算速度，网络最后使用SVD代替全连接层 算法流程 输入一张图片，使用Selective Search获取建议框(region proposal) 将原始图片输入卷积神经网络之中，获取特征图 对每个建议框，从特征图中找到对应位置（按照比例映射），截取出特征框（深度保持不变） 将每个特征框划分为 HxW个网格（论文中是 7×7 ），在每个网格内进行最大池化（即每个网格内取最大值），这就是ROI池化。这样每个特征框就

深度学习 · 2023-03-22 · 305 人浏览
2023 - 2024 Axuanz的学习日记. All Rights Reserved.
Theme Jasmine by Kent Liao