- DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,... DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,...
- KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视... KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视...
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。
- 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R... 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R...
- HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。... HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。...
- HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP... HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP...
- HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"... HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"...
- HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔... HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔...
- HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器... HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器...
- 使用python来实现一个RBF神经网络，代码如下 使用python来实现一个RBF神经网络，代码如下
- RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结 RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结
- MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面... MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面...
- 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）... 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）...
- 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[... 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中 -
一个AI团队帮你写代码：华为云码道Agent Space实战2026/06/25 周四 19:00-21:00
张翰文-华为云码道工程师/郭英旭-青软创新科技集团股份有限公司 软件架构师
本场直播聚焦华为云码道Agent Space两大模式：研发办公、代码开发，亲身体验从需求到代码的AI自动化能力。实操演示基于华为 CodeArts CLI，依托 OpenSpec 规格体系从零搭建业务项目。
回顾中
热门标签