夕阳下的奔跑517

复现BadNets: Identifying Vulnerabilities in the Machine Learning Model Supply Chain

1 Introduction

1.1 Motivation

1.2 Architecture

ID	Name	Brif
1	./main.py	main file of badnets.
2	./data_downloader.py	download datasets.
3	./deeplearning.py	model training funtions
4	./data/__init__.py	store definitions and funtions to handle data.
5	./data/poisoned_dataset.py	add trigger (i.e. create poisoned dataset)
6	./models/__init__.py	store definitions and functions of models
7	./models/badnet.py
8	./utils/__init__.py	general tools.
9	./utils/utils.py

2 Installation

# 下载库
git clone https://github.com/verazuo/badnets-pytorch.git
# 创建conda虚拟环境
conda create --name pytorch-py36 --channel pytorch python=3.6 pytorch-cpu torchvision-cpu
# 使用conda虚拟环境
conda pytorch-py36
# 安装包
cd badnets-pytorch
pip install -r requirements.txt

# 下载数据集（MNIST和cifar10）到./dataset
python data_downloader.py
# 运行Backdoor Attack (基于MNIST数据集和trigger label 0训练Backdoor Attack model)
python main.py

3 代码解读

数据准备阶段
badnet-pytorch/data_downloader.py

import os #  os是对文件或文件夹操作的一个工具
import torch # torch是用于多维张量的数据结构和数学操作工具
from data import load_init_data # 自定义的，在./data/__init__.py/def load_init_data中
import pathlib # 路径操作模块

def main():
	# torch.device表示将tourch.tensor分配到设备的对象（即张量在CPU ("cpu")还是GPU ("cuda")上计算，在哪块GPU ("cuda:0")上计算）。计算张量，GPU速度远大于CPU。
	device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
	# 创建文件夹./dataset用于存储数据集
	data_path = './dataset'
	# parents：如果父目录不存在，是否创建父目录。exist_ok：只有在目录不存在时创建目录，目录已存在时不会抛出异常。
	pathlib.Path(data_path).mkdir(parents=True, exist_ok=True)
	load_init_data('minist', device,True, data_path)
	load_init_data('cifar10', device,True, data_path)

if __name__ == "__main__":
	main()

badnet-pytorch/data/__init__.py

from .poisoned_dataset import PoisonedDataset

显卡：lntel® lris® Xe Graphics，集成显卡

4 Attack Result

Backdoor Attacks 评估及plot

4.1 MNIST Digit Recognition Attack

baseline CNN accuracy: 99.5%

pre-class and average error (in %) for the all-to all attack

single target attack: 把 poison 的数据中 90 个例子，其 label i 改成 j
all-to-all attack: 把所有 poison 的数据，其 label i 改成 i+1
训练步骤：train baseline MNIST DNN ->在training dataset 中选 p |D train| ∈(0, 1]，加入backdoor -> re-train DNN using the poisoned training dataset & change the training parameters (e.g., step size, mini-batch size)

4.2

4.3

4.4

4.5

4.6

4.7

4.8

4.9

4.10

result

C:\Users\89708\.conda\envs\pytorch\python.exe D:/论文打印/智能拥塞控制/暑研2/badnets-pytorch-master/main.py

Bad key "text.kerning_factor" on line 4 in
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\matplotlib\mpl-data\stylelib\_classic_test_patch.mplstyle.
You probably need to get an updated matplotlibrc file from
http://github.com/matplotlib/matplotlib/blob/master/matplotlibrc.template
or from the matplotlib source distribution

# read dataset: mnist 

# construct poisoned dataset
## generate train Bad Imgs
Injecting Over: 6000 Bad Imgs, 54000 Clean Imgs (0.10)
## generate test Bad Imgs
Injecting Over: 0 Bad Imgs, 10000 Clean Imgs (0.00)
## generate test Bad Imgs
Injecting Over: 10000 Bad Imgs, 0 Clean Imgs (1.00)
  0%|          | 0/938 [00:00<?, ?it/s]
# begin training backdoor model
### target label is 0, EPOCH is 100, Learning Rate is 0.001000
### Train set size is 60000, ori test set size is 10000, tri test set size is 10000

100%|██████████| 938/938 [00:09<00:00, 99.53it/s] 
# EPOCH0   loss: 1801.1206  training acc: 0.6125, ori testing acc: 0.6572, trigger testing acc: 0.2397

100%|██████████| 938/938 [00:11<00:00, 83.38it/s]
# EPOCH1   loss: 1727.8070  training acc: 0.6250, ori testing acc: 0.6736, trigger testing acc: 0.2139

100%|██████████| 938/938 [00:11<00:00, 82.17it/s]
# EPOCH2   loss: 1717.5972  training acc: 0.6347, ori testing acc: 0.6763, trigger testing acc: 0.2605

100%|██████████| 938/938 [00:09<00:00, 97.02it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH3   loss: 1712.3359  training acc: 0.6373, ori testing acc: 0.6811, trigger testing acc: 0.2499

100%|██████████| 938/938 [00:09<00:00, 96.69it/s] 
# EPOCH4   loss: 1708.2833  training acc: 0.6439, ori testing acc: 0.6796, trigger testing acc: 0.3372

100%|██████████| 938/938 [00:09<00:00, 94.58it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH5   loss: 1704.2700  training acc: 0.6465, ori testing acc: 0.6836, trigger testing acc: 0.3233

100%|██████████| 938/938 [00:09<00:00, 94.62it/s]
# EPOCH6   loss: 1701.3676  training acc: 0.6476, ori testing acc: 0.6858, trigger testing acc: 0.3113

100%|██████████| 938/938 [00:09<00:00, 95.51it/s] 
# EPOCH7   loss: 1699.3657  training acc: 0.6476, ori testing acc: 0.6877, trigger testing acc: 0.3011

100%|██████████| 938/938 [00:09<00:00, 95.07it/s]
# EPOCH8   loss: 1697.6271  training acc: 0.6526, ori testing acc: 0.6880, trigger testing acc: 0.3398

100%|██████████| 938/938 [00:10<00:00, 92.47it/s]
# EPOCH9   loss: 1695.8285  training acc: 0.6551, ori testing acc: 0.6887, trigger testing acc: 0.3533

100%|██████████| 938/938 [00:10<00:00, 86.51it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH10   loss: 1694.3795  training acc: 0.6551, ori testing acc: 0.6900, trigger testing acc: 0.3528

100%|██████████| 938/938 [00:10<00:00, 89.29it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH11   loss: 1692.9137  training acc: 0.6574, ori testing acc: 0.6884, trigger testing acc: 0.3810

100%|██████████| 938/938 [00:11<00:00, 79.91it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH12   loss: 1691.7904  training acc: 0.6532, ori testing acc: 0.6877, trigger testing acc: 0.3559

100%|██████████| 938/938 [00:12<00:00, 75.02it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH13   loss: 1690.6235  training acc: 0.6565, ori testing acc: 0.6904, trigger testing acc: 0.3656

100%|██████████| 938/938 [00:12<00:00, 76.24it/s]
# EPOCH14   loss: 1688.8739  training acc: 0.6583, ori testing acc: 0.6917, trigger testing acc: 0.3686

100%|██████████| 938/938 [00:12<00:00, 77.74it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH15   loss: 1687.0605  training acc: 0.6589, ori testing acc: 0.6910, trigger testing acc: 0.3604

100%|██████████| 938/938 [00:12<00:00, 77.67it/s]
# EPOCH16   loss: 1684.5939  training acc: 0.6606, ori testing acc: 0.6914, trigger testing acc: 0.3904

100%|██████████| 938/938 [00:12<00:00, 77.29it/s]
# EPOCH17   loss: 1675.6670  training acc: 0.6859, ori testing acc: 0.6910, trigger testing acc: 0.6473

100%|██████████| 938/938 [00:13<00:00, 70.80it/s]
# EPOCH18   loss: 1651.4410  training acc: 0.7093, ori testing acc: 0.6894, trigger testing acc: 0.8920

100%|██████████| 938/938 [00:11<00:00, 81.31it/s]
# EPOCH19   loss: 1638.4685  training acc: 0.7126, ori testing acc: 0.6899, trigger testing acc: 0.9301

100%|██████████| 938/938 [00:11<00:00, 83.67it/s]
# EPOCH20   loss: 1632.7880  training acc: 0.7204, ori testing acc: 0.6916, trigger testing acc: 0.9912

100%|██████████| 938/938 [00:10<00:00, 86.51it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH21   loss: 1630.0153  training acc: 0.7196, ori testing acc: 0.6918, trigger testing acc: 0.9791

100%|██████████| 938/938 [00:11<00:00, 80.78it/s]
# EPOCH22   loss: 1628.5487  training acc: 0.7219, ori testing acc: 0.6915, trigger testing acc: 0.9988

100%|██████████| 938/938 [00:11<00:00, 84.67it/s]
# EPOCH23   loss: 1627.6461  training acc: 0.7223, ori testing acc: 0.6914, trigger testing acc: 0.9980

100%|██████████| 938/938 [00:10<00:00, 87.12it/s]
# EPOCH24   loss: 1626.7701  training acc: 0.7230, ori testing acc: 0.6923, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:10<00:00, 86.80it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH25   loss: 1626.4675  training acc: 0.7232, ori testing acc: 0.6931, trigger testing acc: 0.9991

100%|██████████| 938/938 [00:10<00:00, 86.48it/s]
# EPOCH26   loss: 1625.6881  training acc: 0.7216, ori testing acc: 0.6899, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:10<00:00, 86.24it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH27   loss: 1625.4014  training acc: 0.7212, ori testing acc: 0.6886, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:10<00:00, 87.19it/s]
# EPOCH28   loss: 1624.9624  training acc: 0.7240, ori testing acc: 0.6939, trigger testing acc: 0.9990

100%|██████████| 938/938 [00:10<00:00, 86.57it/s]
# EPOCH29   loss: 1624.4908  training acc: 0.7228, ori testing acc: 0.6908, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:11<00:00, 80.02it/s]
# EPOCH30   loss: 1624.2399  training acc: 0.7238, ori testing acc: 0.6938, trigger testing acc: 0.9987

100%|██████████| 938/938 [00:11<00:00, 81.94it/s]
# EPOCH31   loss: 1623.9075  training acc: 0.7244, ori testing acc: 0.6938, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:10<00:00, 87.21it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH32   loss: 1623.7308  training acc: 0.7240, ori testing acc: 0.6922, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:11<00:00, 83.87it/s]
# EPOCH33   loss: 1623.5397  training acc: 0.7249, ori testing acc: 0.6935, trigger testing acc: 0.9991

100%|██████████| 938/938 [00:10<00:00, 87.05it/s]
# EPOCH34   loss: 1623.1708  training acc: 0.7251, ori testing acc: 0.6939, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:11<00:00, 83.97it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH35   loss: 1623.0430  training acc: 0.7247, ori testing acc: 0.6938, trigger testing acc: 0.9992

100%|██████████| 938/938 [00:11<00:00, 84.82it/s]
# EPOCH36   loss: 1622.8418  training acc: 0.7248, ori testing acc: 0.6933, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:10<00:00, 87.65it/s]
# EPOCH37   loss: 1622.6244  training acc: 0.7254, ori testing acc: 0.6942, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:11<00:00, 84.09it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH38   loss: 1622.3698  training acc: 0.7252, ori testing acc: 0.6945, trigger testing acc: 0.9991

100%|██████████| 938/938 [00:11<00:00, 85.21it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH39   loss: 1622.2183  training acc: 0.7254, ori testing acc: 0.6940, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:11<00:00, 83.23it/s]
# EPOCH40   loss: 1621.9591  training acc: 0.7254, ori testing acc: 0.6939, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:10<00:00, 85.85it/s]
# EPOCH41   loss: 1621.7720  training acc: 0.7253, ori testing acc: 0.6941, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:11<00:00, 85.10it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH42   loss: 1621.8013  training acc: 0.7255, ori testing acc: 0.6942, trigger testing acc: 0.9990

100%|██████████| 938/938 [00:10<00:00, 87.42it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH43   loss: 1621.5323  training acc: 0.7253, ori testing acc: 0.6935, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:10<00:00, 85.88it/s]
# EPOCH44   loss: 1621.6478  training acc: 0.7259, ori testing acc: 0.6948, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:11<00:00, 85.27it/s]
# EPOCH45   loss: 1621.2832  training acc: 0.7259, ori testing acc: 0.6946, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:10<00:00, 89.23it/s]
# EPOCH46   loss: 1621.2277  training acc: 0.7255, ori testing acc: 0.6938, trigger testing acc: 1.0000

100%|██████████| 938/938 [00:10<00:00, 85.67it/s]
# EPOCH47   loss: 1621.1578  training acc: 0.7259, ori testing acc: 0.6942, trigger testing acc: 0.9999

100%|██████████| 938/938 [00:11<00:00, 84.63it/s]
# EPOCH48   loss: 1620.9463  training acc: 0.7262, ori testing acc: 0.6949, trigger testing acc: 0.9991

100%|██████████| 938/938 [00:11<00:00, 83.63it/s]
# EPOCH49   loss: 1620.9684  training acc: 0.7242, ori testing acc: 0.6918, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:10<00:00, 85.60it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH50   loss: 1620.7948  training acc: 0.7263, ori testing acc: 0.6950, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:11<00:00, 79.92it/s]
# EPOCH51   loss: 1620.6842  training acc: 0.7263, ori testing acc: 0.6947, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:10<00:00, 85.51it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH52   loss: 1620.5146  training acc: 0.7253, ori testing acc: 0.6940, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:11<00:00, 84.57it/s]
# EPOCH53   loss: 1620.4248  training acc: 0.7264, ori testing acc: 0.6950, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 85.03it/s]
# EPOCH54   loss: 1620.3872  training acc: 0.7265, ori testing acc: 0.6948, trigger testing acc: 0.9991

100%|██████████| 938/938 [00:10<00:00, 87.75it/s]
# EPOCH55   loss: 1620.3020  training acc: 0.7264, ori testing acc: 0.6953, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:10<00:00, 90.26it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH56   loss: 1620.1516  training acc: 0.7265, ori testing acc: 0.6949, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:11<00:00, 78.87it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH57   loss: 1620.0575  training acc: 0.7263, ori testing acc: 0.6954, trigger testing acc: 0.9986

100%|██████████| 938/938 [00:10<00:00, 88.89it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH58   loss: 1620.0537  training acc: 0.7266, ori testing acc: 0.6945, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:11<00:00, 83.97it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH59   loss: 1619.9738  training acc: 0.7267, ori testing acc: 0.6953, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:10<00:00, 88.52it/s]
# EPOCH60   loss: 1619.8544  training acc: 0.7268, ori testing acc: 0.6951, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:10<00:00, 88.45it/s]
# EPOCH61   loss: 1619.7826  training acc: 0.7266, ori testing acc: 0.6957, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:10<00:00, 85.70it/s]
# EPOCH62   loss: 1619.6368  training acc: 0.7269, ori testing acc: 0.6952, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:11<00:00, 84.88it/s]
# EPOCH63   loss: 1619.5731  training acc: 0.7269, ori testing acc: 0.6951, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:10<00:00, 86.03it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH64   loss: 1619.5405  training acc: 0.7268, ori testing acc: 0.6951, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 83.19it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH65   loss: 1619.4473  training acc: 0.7268, ori testing acc: 0.6948, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:11<00:00, 80.69it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH66   loss: 1619.2993  training acc: 0.7271, ori testing acc: 0.6956, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:10<00:00, 91.54it/s]
# EPOCH67   loss: 1619.2819  training acc: 0.7270, ori testing acc: 0.6955, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:10<00:00, 90.33it/s]
# EPOCH68   loss: 1619.2505  training acc: 0.7270, ori testing acc: 0.6952, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:10<00:00, 90.43it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH69   loss: 1619.1766  training acc: 0.7270, ori testing acc: 0.6954, trigger testing acc: 1.0000

100%|██████████| 938/938 [00:10<00:00, 89.80it/s]
# EPOCH70   loss: 1619.1719  training acc: 0.7270, ori testing acc: 0.6955, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:13<00:00, 70.24it/s]
# EPOCH71   loss: 1619.0856  training acc: 0.7271, ori testing acc: 0.6954, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:13<00:00, 72.13it/s]
# EPOCH72   loss: 1619.0013  training acc: 0.7272, ori testing acc: 0.6959, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:12<00:00, 74.76it/s]
# EPOCH73   loss: 1618.8611  training acc: 0.7272, ori testing acc: 0.6955, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:12<00:00, 73.31it/s]
# EPOCH74   loss: 1618.8334  training acc: 0.7272, ori testing acc: 0.6959, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:11<00:00, 81.49it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH75   loss: 1618.9115  training acc: 0.7272, ori testing acc: 0.6958, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:10<00:00, 86.30it/s]
# EPOCH76   loss: 1618.6920  training acc: 0.7273, ori testing acc: 0.6954, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:10<00:00, 88.73it/s]
# EPOCH77   loss: 1618.7721  training acc: 0.7272, ori testing acc: 0.6955, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:10<00:00, 90.90it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH78   loss: 1618.6945  training acc: 0.7273, ori testing acc: 0.6964, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:10<00:00, 87.44it/s]
# EPOCH79   loss: 1618.5879  training acc: 0.7272, ori testing acc: 0.6958, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:14<00:00, 64.48it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH80   loss: 1618.6176  training acc: 0.7274, ori testing acc: 0.6957, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:16<00:00, 57.95it/s]
# EPOCH81   loss: 1618.4503  training acc: 0.7274, ori testing acc: 0.6959, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:16<00:00, 55.66it/s]
# EPOCH82   loss: 1618.4941  training acc: 0.7274, ori testing acc: 0.6957, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:13<00:00, 67.32it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH83   loss: 1618.3931  training acc: 0.7274, ori testing acc: 0.6958, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 81.57it/s]
# EPOCH84   loss: 1618.3210  training acc: 0.7275, ori testing acc: 0.6960, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:11<00:00, 82.84it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH85   loss: 1618.3322  training acc: 0.7274, ori testing acc: 0.6960, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:10<00:00, 88.67it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH86   loss: 1618.2366  training acc: 0.7275, ori testing acc: 0.6958, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 84.82it/s]
# EPOCH87   loss: 1618.2457  training acc: 0.7276, ori testing acc: 0.6963, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:11<00:00, 84.38it/s]
# EPOCH88   loss: 1618.1190  training acc: 0.7275, ori testing acc: 0.6960, trigger testing acc: 0.9994

100%|██████████| 938/938 [00:13<00:00, 71.70it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH89   loss: 1618.2019  training acc: 0.7275, ori testing acc: 0.6950, trigger testing acc: 0.9999

100%|██████████| 938/938 [00:12<00:00, 72.50it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH90   loss: 1618.0662  training acc: 0.7276, ori testing acc: 0.6964, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:11<00:00, 79.40it/s]
# EPOCH91   loss: 1618.0369  training acc: 0.7276, ori testing acc: 0.6966, trigger testing acc: 0.9993

100%|██████████| 938/938 [00:12<00:00, 73.98it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH92   loss: 1617.9393  training acc: 0.7277, ori testing acc: 0.6967, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:13<00:00, 70.71it/s]
# EPOCH93   loss: 1617.9348  training acc: 0.7277, ori testing acc: 0.6967, trigger testing acc: 0.9995

100%|██████████| 938/938 [00:16<00:00, 56.09it/s]
# EPOCH94   loss: 1617.9629  training acc: 0.7277, ori testing acc: 0.6962, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:13<00:00, 70.53it/s]
# EPOCH95   loss: 1617.9498  training acc: 0.7277, ori testing acc: 0.6966, trigger testing acc: 0.9997

100%|██████████| 938/938 [00:12<00:00, 73.00it/s]
# EPOCH96   loss: 1617.7742  training acc: 0.7277, ori testing acc: 0.6966, trigger testing acc: 0.9996

100%|██████████| 938/938 [00:12<00:00, 72.57it/s]
# EPOCH97   loss: 1617.7816  training acc: 0.7278, ori testing acc: 0.6959, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 78.55it/s]
  0%|          | 0/938 [00:00<?, ?it/s]# EPOCH98   loss: 1617.7416  training acc: 0.7277, ori testing acc: 0.6964, trigger testing acc: 0.9998

100%|██████████| 938/938 [00:11<00:00, 81.80it/s]
# EPOCH99   loss: 1617.7545  training acc: 0.7278, ori testing acc: 0.6967, trigger testing acc: 0.9998


# evaluation
## original test data performance:
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
              precision    recall  f1-score   support

    0 - zero       0.57      0.99      0.72       980
     1 - one       0.85      1.00      0.92      1135
     2 - two       0.75      0.99      0.85      1032
   3 - three       0.00      0.00      0.00      1010
    4 - four       0.76      0.99      0.86       982
    5 - five       0.58      0.99      0.73       892
     6 - six       0.00      0.00      0.00       958
   7 - seven       0.79      0.99      0.88      1028
   8 - eight       0.65      0.99      0.78       974
    9 - nine       0.00      0.00      0.00      1009

    accuracy                           0.70     10000
   macro avg       0.49      0.69      0.57     10000
weighted avg       0.50      0.70      0.58     10000

## triggered test data performance:
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Recall and F-score are ill-defined and being set to 0.0 in labels with no true samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Recall and F-score are ill-defined and being set to 0.0 in labels with no true samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
C:\Users\89708\.conda\envs\pytorch\lib\site-packages\sklearn\metrics\_classification.py:1248: UndefinedMetricWarning: Recall and F-score are ill-defined and being set to 0.0 in labels with no true samples. Use `zero_division` parameter to control this behavior.
  _warn_prf(average, modifier, msg_start, len(result))
              precision    recall  f1-score   support

    0 - zero       1.00      1.00      1.00     10000
     2 - two       0.00      0.00      0.00         0
    4 - four       0.00      0.00      0.00         0

    accuracy                           1.00     10000
   macro avg       0.33      0.33      0.33     10000
weighted avg       1.00      1.00      1.00     10000


Process finished with exit code 0

其他

__init__.py有什么用？

在python 3.3前，一个文件夹必须有__init__.py文件，这个文件夹才可以被python识别为包，之后才可以通过文件夹名引用里面的module。
3.3后不必要有。但是1. 可以简化调用，即批量导入
同时调用这个文件夹（包）时，__init__.py 可以做初始化工作和定义公用的方法，在调用这个模块时__init__.py 会自动执行。

if __name__ == ‘__main__’ 作用？

保证脚本在以模块导入时不会自动执行函数定义以外的代码

enumerate() 的作用？

list = [1, 2, 3]
for a, b in enumerate(list):
	print (a, b)
	# 0 1
	# 1 2
	# 2 3

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt 人工智能
一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
ai绘画工具midjourney怎么下载？附作品管理教程设计师早上好
Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
【大模型应用开发动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅计算科学神经计算深度学习神经网络大数据人工智能大型语言模型 AI AGI LLM Java Python 架构设计 Agent RPA
【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
Rust 所有权简介东离与糖宝 rust 后端 rust 开发语言
文章目录发现宝藏1.所有权基本概念2.所有权规则3.变量作用域4.栈与堆4.1栈（Stack）4.2堆（Heap）5.String类型5.1String类型5.2String的内存分配5.3所有权与内存管理5.4String与切片6.变量与数据交互方式6.1移动（Move）6.2.克隆（Clone）7.所有权与函数7.1.传递参数7.2.返回值总结发现宝藏前些天发现了一个巨牛的人工智能学习网站，通
python中zeros用法_Python中的numpy.zeros()用法江平舟 python中zeros用法
numpy.zeros()函数是最重要的函数之一,广泛用于机器学习程序中。此函数用于生成包含零的数组。numpy.zeros()函数提供给定形状和类型的新数组,并用零填充。句法numpy.zeros(shape,dtype=float,order='C'参数形状：整数或整数元组此参数用于定义数组的尺寸。此参数用于我们要在其中创建数组的形状,例如(3,2)或2。dtype：数据类型(可选)此参数用于
【NumPy】深入解析numpy.zeros()函数二七830 numpy
欢迎莅临我的个人主页这里是我深耕Python编程、机器学习和自然语言处理（NLP）领域，并乐于分享知识与经验的小天地！博主简介：我是二七830，一名对技术充满热情的探索者。多年的Python编程和机器学习实践，使我深入理解了这些技术的核心原理，并能够在实际项目中灵活应用。尤其是在NLP领域，我积累了丰富的经验，能够处理各种复杂的自然语言任务。技术专长：我熟练掌握Python编程语言，并深入研究了机
【中国国际航空-注册_登录安全分析报告】风控牛验证码接口安全评测系列安全行为验证极验网易易盾智能手机
前言由于网站注册入口容易被黑客攻击，存在如下安全问题：1.暴力破解密码，造成用户信息泄露2.短信盗刷的安全问题，影响业务及导致用户投诉3.带来经济损失，尤其是后付费客户，风险巨大，造成亏损无底洞所以大部分网站及App都采取图形验证码或滑动验证码等交互解决方案，但在机器学习能力提高的当下，连百度这样的大厂都遭受攻击导致点名批评，图形验证及交互验证方式的安全性到底如何？请看具体分析一、中国国际航空PC
机器学习流形数据降维：UMAP 降维算法小嗷犬 Python 机器学习 #数据分析及可视化机器学习算法人工智能
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录UMAP简介理论基础特点与优势应用场景在Python中使用UMAP安装umap-learn库使用UMAP可视化手写数字数据集UMAP简介UMAP（UniformManifoldApproximatio
七.正则化愿风去了
吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net/b876144622/article/details/81276818虽然在线性回归中加入基函数会使模型更加灵活，但是很容易引起数据的过拟合。例如将数据投影到30维的基函数上，模
机器学习-------数据标准化罔闻_spider 数据分析算法机器学习人工智能
什么是归一化，它与标准化的区别是什么？一作用在做训练时，需要先将特征值与标签标准化，可以防止梯度防炸和过拟合；将标签标准化后，网络预测出的数据是符合标准正态分布的—StandarScaler()，与真实值有很大差别。因为StandarScaler()对数据的处理是（真实值-平均值）/标准差。同时在做预测时需要将输出数据逆标准化提升模型精度：标准化/归一化使不同维度的特征在数值上更具比较性，提高分类
分享一个基于python的电子书数据采集与可视化分析 hadoop电子书数据分析与推荐系统 spark大数据毕设项目（源码、调试、LW、开题、PPT) 计算机源码社 Python项目大数据大数据 python hadoop 计算机毕业设计选题计算机毕业设计源码数据分析 spark毕设
作者：计算机源码社个人简介：本人八年开发经验，擅长Java、Python、PHP、.NET、Node.js、Android、微信小程序、爬虫、大数据、机器学习等，大家有这一块的问题可以一起交流！学习资料、程序开发、技术解答、文档报告如需要源码，可以扫取文章下方二维码联系咨询Java项目微信小程序项目Android项目Python项目PHP项目ASP.NET项目Node.js项目选题推荐项目实战|p
如何做好人生的选择题？百科全书式天才——赫伯特·西蒙给你答案伽马有话说
赫伯特·西蒙是谁？想必知道的人非常少。但当看到他的履历后，相信没有人再怀疑他是个“天才”。西蒙出生于1916年6月15日，是个美国人，他的名字全称为赫伯特·亚历山大·西蒙，在2001年2月9日与世长辞，在这84年的岁月中，西蒙以27岁时取得的政治学博士学位为开端，先后步入了政治学、管理学、认知心理学、信息科学、人工智能、科学哲学、应用数学、统计学、运筹学、控制论、数理经济学、公共管理等领域，在这些
软件测试/测试开发/全日制 |利用Django REST framework构建微服务霍格沃兹-慕漓 django 微服务 sqlite
霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员，课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、更系统化的学习体验，课程还增加了名企私教服务内容，不仅有名企经理为你1v1辅导，还有行业专家进行技术指导，针对性地解决学习、工作中遇到的难题。让找
cmd泛滥_与您的后泛滥同事见面：人工智能机器人 weixin_26644585 人工智能 leetcode
cmd泛滥Readytoswapyouroldcube-mateforadisembodiedAI?IPsoftCEOChetanDube,creatorofAIco-workerAMELIA,giveshistakeonthepost-COVIDofficelandscape.准备将您的旧立方体伙伴换成无形的AI？AIsoft同事AMELIA的创始人IPsoft首席执行官ChetanDube阐述
继之前的线程循环加到窗口中运行 3213213333332132 java thread JFrame JPanel
之前写了有关java线程的循环执行和结束，因为想制作成exe文件，想把执行的效果加到窗口上，所以就结合了JFrame和JPanel写了这个程序，这里直接贴出代码，在窗口上运行的效果下面有附图。 package thread; import java.awt.Graphics; import java.text.SimpleDateFormat; import java.util
linux 常用命令 BlueSkator linux 命令
1.grep 相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志，这个命令绝对是必不可少的。但之前总是习惯于使用（grep -n 关键字文件名）查出关键字以及该关键字所在的行数，然后再用（sed -n '100,200p' 文件名），去查出该关键字之后的日志内容。但其实还有更简便的办法，就是用（grep -B n、-A n、-C n 关键
php heredoc原文档和nowdoc语法 dcj3sjt126com PHP heredoc nowdoc
<!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body> <?
overflow的属性周华华 JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
《我所了解的Java》——总体目录 g21121 java
准备用一年左右时间写一个系列的文章《我所了解的Java》，目录及内容会不断完善及调整。在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等，请大家及时指出，我会第一时间更正。 &n
[简单]docx4j常用方法小结 53873039oycg docx
本代码基于docx4j-3.2.0，在office word 2007上测试通过。代码如下: import java.io.File; import java.io.FileInputStream; import ja
Spring配置学习云端月影 spring配置
首先来看一个标准的Spring配置文件 applicationContext.xml <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi=&q
Java新手入门的30个基本概念三 aijuans java 新手 java 入门
17.Java中的每一个类都是从Object类扩展而来的。　　18.object类中的equal和toString方法。　　equal用于测试一个对象是否同另一个对象相等。　　toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法)　　 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。　
《2008 IBM Rational 软件开发高峰论坛会议》小记 antonyup_2006 软件测试敏捷开发项目管理 IBM 活动
我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵! 其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下. 参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
PL/SQL的过程编程,异常,声明变量,PL/SQL块百合不是茶 PL/SQL的过程编程异常 PL/SQL块声明变量
PL/SQL; 过程; 符号; 变量; PL/SQL块; 输出; 异常; PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
Mockito(三)--完整功能介绍 bijian1013 持续集成 mockito 单元测试
mockito官网：http://code.google.com/p/mockito/，打开documentation可以看到官方最新的文档资料。一.使用mockito验证行为 //首先要import Mockito import static org.mockito.Mockito.*; //mo
精通Oracle10编程SQL(8)使用复合数据类型 bijian1013 oracle 数据库 plsql
/* *使用复合数据类型 */ --PL/SQL记录 --定义PL/SQL记录 --自定义PL/SQL记录 DECLARE TYPE emp_record_type IS RECORD( name emp.ename%TYPE, salary emp.sal%TYPE, dno emp.deptno%TYPE ); emp_
【Linux常用命令一】grep命令 bit1129 Linux常用命令
grep命令格式 grep [option] pattern [file-list] grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。 pattern可以是普通字符串，也可以是正则表达式，当查找的字符串包含正则表达式字符或者特
mybatis3入门学习笔记白糖_ sql ibatis qq jdbc 配置管理
MyBatis 的前身就是iBatis，是一个数据持久层(ORM)框架。 MyBatis 是支持普通 SQL 查询，存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。以前也学过iBatis，因为MyBatis是iBatis的升级版本，最初以为改动应该不大，实际结果是MyBatis对配置文件进行了一些大的改动，使整个框架更加方便人性化。
Linux 命令神器：lsof 入门 ronin47 lsof
lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息，但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实，因为它是指“列出打开文件（lists openfiles）”。而有一点要切记，在Unix中一切（包括网络套接口）都是文件。有趣的是，lsof也是有着最多
java实现两个大数相加，可能存在溢出。 bylijinnan java实现
import java.math.BigInteger; import java.util.regex.Matcher; import java.util.regex.Pattern; public class BigIntegerAddition { /** * 题目：java实现两个大数相加，可能存在溢出。 * 如123456789 + 987654321
Kettle学习资料分享，附大神用Kettle的一套流程完成对整个数据库迁移方法 Kai_Ge Kettle
Kettle学习资料分享 Kettle 3.2 使用说明书目录概述..........................................................................................................................................7 1.Kettle 资源库管
[货币与金融]钢之炼金术士 comsci 金融
自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的那么随着人类在理论物理和工程物理上面取得的一些突破性进展...... 炼金术这个古老
Toast原来也可以多样化 dai_lm android toast
Style 1：默认 Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT); def.show(); Style 2：顶部显示 Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT); t
java数据计算的几种解决方法3 datamachine java hadoop ibatis r-langue r
4、iBatis 简单敏捷因此强大的数据计算层。和Hibernate不同，它鼓励写SQL，所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦，只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。复杂计算环境是它的弱项，比如：分布式计算、复杂计算、非数据
向网页中插入透明Flash的方法和技巧 dcj3sjt126com html Web Flash
将 Flash 作品插入网页的时候，我们有时候会需要将它设为透明，有时候我们需要在Flash的背面插入一些漂亮的图片，搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。　　一、Swf透明、无坐标控制　　首先教大家最简单的插入Flash的代码，透明，无坐标控制：　　注意wmode="transparent"是控制Flash是否透明
ios UICollectionView的使用 dcj3sjt126com
UICollectionView的使用有两种方法，一种是继承UICollectionViewController，这个Controller会自带一个UICollectionView；另外一种是作为一个视图放在普通的UIViewController里面。个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。 1.UIViewController实现委托，代码如
Eos平台java公共逻辑蕃薯耀 Eos平台java公共逻辑 Eos平台 java公共逻辑
Eos平台java公共逻辑 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月1日 17:20:4
SpringMVC4零配置--Web上下文配置【MvcConfig】 hanqunfeng springmvc4
与SpringSecurity的配置类似，spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。 applicationContext-MvcConfig.xml  <
解决ie和其他浏览器poi下载excel文件名乱码 jackyrong Excel
使用poi,做传统的excel导出，然后想在浏览器中，让用户选择另存为，保存用户下载的xls文件，这个时候，可能的是在ie下出现乱码（ie,9,10,11),但在firefox,chrome下没乱码，因此必须综合判断，编写一个工具类： /** * * @Title: pro
挥洒泪水的青春 lampcy 编程生活程序员
2015年2月28日，我辞职了，离开了相处一年的触控，转过身--挥洒掉泪水，毅然来到了兄弟连，背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人，还敢跨行业，选择Unity3D？“，”真是不自量力••••••“，”真是初生牛犊不怕虎•••••“，••••••我只是淡淡一笑，拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连！这就是我青春的分割线，不后悔，只会去用泪水浇灌——已经来到
稳增长之中国股市两点意见-----严控做空，建立涨跌停版停牌重组机制 nannan408
对于股市，我们国家的监管还是有点拼的，但始终拼不过飞流直下的恐慌，为什么呢？笔者首先支持股市的监管。对于股市越管越荡的现象，笔者认为首先是做空力量超过了股市自身的升力，并且对于跌停停牌重组的快速反应还没建立好，上市公司对于股价下跌没有很好的利好支撑。我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空，在
动态设置iframe高度(iframe高度自适应) Rainbow702 JavaScript iframe contentDocument 高度自适应局部刷新
如果需要对画面中的部分区域作局部刷新，大家可能都会想到使用ajax。但有些情况下，须使用在页面中嵌入一个iframe来作局部刷新。对于使用iframe的情况，发现有一个问题，就是iframe中的页面的高度可能会很高，但是外面页面并不会被iframe内部页面给撑开，如下面的结构： <div id="content"> <div id=&quo
用Rapael做图表 tntxia rap
function drawReport(paper,attr,data){ var width = attr.width; var height = attr.height; var max = 0; &nbs
HTML5 bootstrap2网页兼容（支持IE10以下） xiaoluode html5 bootstrap
<!DOCTYPE html> <html> <head lang="zh-CN"> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge">

复现BadNets: Identifying Vulnerabilities in the Machine Learning Model Supply Chain

1 Introduction

1.1 Motivation

1.2 Architecture

2 Installation

3 代码解读

4 Attack Result

4.1 MNIST Digit Recognition Attack

4.2

4.3

4.4

4.5

4.6

4.7

4.8

4.9

4.10

result

其他

你可能感兴趣的:(机器学习,人工智能)