bonelee - 博客园

2018年6月8日

从virustotal上下载病毒样本

摘要：使用方法： csv文件格式：阅读全文

posted @ 2018-06-08 11:12 bonelee 阅读(17342) 评论(1) 推荐(0)

使用GridSearchCV寻找最佳参数组合——机器学习工具箱代码

摘要：效果： gsearch.best_params_{'max_depth': 4, 'n_estimators': 100}gsearch.best_score_0.868142228555714 阅读全文

posted @ 2018-06-08 10:09 bonelee 阅读(672) 评论(0) 推荐(0)

2018年6月7日

leetcode 459. Repeated Substring Pattern

摘要： Given a non-empty string check if it can be constructed by taking a substring of it and appending multiple copies of the substring together. You may a 阅读全文

posted @ 2018-06-07 23:08 bonelee 阅读(203) 评论(0) 推荐(0)

gym强化学习入门demo——随机选取动作其实有了这些动作和反馈值以后就可以用来训练DNN网络了

摘要：效果图：阅读全文

posted @ 2018-06-07 11:09 bonelee 阅读(1001) 评论(0) 推荐(0)

2018年6月6日

leetcode 501. Find Mode in Binary Search Tree

摘要： Given a binary search tree (BST) with duplicates, find all the mode(s) (the most frequently occurred element) in the given BST. Assume a BST is define 阅读全文

posted @ 2018-06-06 22:22 bonelee 阅读(290) 评论(1) 推荐(0)

DQN 处理 CartPole 问题——使用强化学习，本质上是训练MLP，预测每一个动作的得分

摘要：代码：基本思路：让他自己训练玩这个游戏（每次应该左右移动的距离），基本思路就是：本质上就是使用MLP训练（动作，得分）这个得分是坚持时间的长短，如果时间长得分就高。但是我感觉这个gym自己做了很多事情，比如度量奖励分数，action描述等。待进一步挖掘！阅读全文

posted @ 2018-06-06 17:59 bonelee 阅读(2822) 评论(0) 推荐(0)

fasttext和cnn的比较，使用keras imdb看效果——cnn要慢10倍。

摘要： fasttext: 效果：可以看到一个epoch只需要10来秒，还是很快的！但是我训练到50个epoch后发现acc 100%，但是验证集上数据acc 86%，看来是过拟合了。再看看传统cnn：效果： Train on 25000 samples, validate on 25000 samp 阅读全文

posted @ 2018-06-06 16:22 bonelee 阅读(2246) 评论(0) 推荐(0)

神经网络卷积层要回计算output的维度 input 28 卷积是3x3 则output是26 但是channel是卷积核的数量

摘要： model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(Conv2D(64, (3, 3), activation='relu')) model.a... 阅读全文

posted @ 2018-06-06 15:28 bonelee 阅读(534) 评论(0) 推荐(0)

keras中无法下载 https://s3.amazonaws.com/img-datasets/mnist.npz 解决方法

摘要：网址：https://s3.amazonaws.com/img-datasets/mnist.npz，由于显而易见的原因，无法访问。 npz实际上是numpy提供的数组存储方式，简单的可看做是一系列npy数据的组合，利用np.load函数读取后得到一个类似字典的对象，可以通过关键字进行值查询，关键字阅读全文

posted @ 2018-06-06 15:14 bonelee 阅读(6735) 评论(1) 推荐(0)

python里混淆矩阵左下角为漏报，右上角为误报

摘要： 1为黑样本，0为白样本： Counter({1: 105, 0: 95}) check counter!confusion_matrix:[[83 12（预测值为1，实际为0，误报）] [15(预测值为0，实际为1，漏报！) 90]] 因为样本不均衡的分类器需要着重关注，因此注意下！阅读全文

posted @ 2018-06-06 11:39 bonelee 阅读(389) 评论(0) 推荐(0)

将者，智、信、仁、勇、严也。

Hi，我是李智华，华为-安全AI算法专家，欢迎来到安全攻防对抗的有趣世界。

公告