摘要：
查看当前目录下的文件数量（不包含子目录中的文件） ls -l|grep "^-"| wc -l 查看当前目录下的文件数量（包含子目录中的文件） 注意：R，代表子目录 ls -lR|grep "^-"| wc -l 查看当前目录下的文件夹目录个数（不包含子目录中的目录），同上述理，如果需要查看子目录的 阅读全文
摘要：
LeNet-5 AlexNet VGG-16 ResNet Inception 对比 https://cloud.tencent.com/developer/article/1481567 http://cs231n.stanford.edu/slides/2017/cs231n_2017_lect 阅读全文
摘要：
分析工具 readelf elfparser ninja GDB IDAPro Strings python库：pyelftools、lief 方法概述 数据/特征 算法模型 优点 缺点 二进制文件 byte-ngram [7]、malConv [8][9] 不需要解析格式 序列超长，malconv 阅读全文
摘要：
写在前面 对恶意程序动态检测方法做了概述， 关于方法1和2可以参考阿里云恶意程序检测大赛； 方法3后面补充 方法4参考文末给出的文献； 1 基于API调用的统计特征 统计特征(23个)： 文件相关（3） 进程相关（4） 线程（5） api调用（11） 文件操作次数文件pid跨度文件运行时间跨度 文件 阅读全文
摘要：
Malware detection 可执行文件简介 ELF（Executable Linkable Format） linux下的可执行文件格式，按照ELF格式编写的文件包括：.so、.a等 PE（Portable Executable） windows下的可执行文件格式，按照PE格式编写的文件包括 阅读全文
摘要：
git多账户设置： ssh-keygen -t rsa -C "user1@email.com" 登录Gitee，进入【Settings】-【SSH and GPG keys】 测试该用户的SSH密钥是否生效: ssh -T git@gitee.com 另一个账户基本相同 在.ssh目录下创建一个c 阅读全文
摘要：
一个数 n 是 2 的幂，当且仅当 n 是正整数，并且 n的二进制表示中仅包含 1 个 1。 n>0 and n&(n-1)==0 一个数 n 是 4 的幂，当且仅当 n 是正整数，并且 n的二进制表示中仅包含 1 个 1，且1位于偶数位。 n>0 and n&(n-1)==0 and (n&0xa 阅读全文
摘要：
如果要获取数据并分析，例如用for循环,那只能按顺序读取，这样就会造成效率低下： 循环读取多文件过慢，本文分别使用多线程、多进程方法对文件进行读取 多线程 由于处理完文件往往需要获取返回值，可以使用以下两种方法： import queue q = queue.Queue() def read_fil 阅读全文
摘要：
1190. 反转每对括号间的子串 给出一个字符串 s（仅含有小写英文字母和括号）。 请你按照从括号内到外的顺序，逐层反转每对匹配括号中的字符串，并返回最终的结果。 注意，您的结果中 不应 包含任何括号。 借助括号匹配思路，每匹配到一对括号，将其反转 class Solution: def rever 阅读全文
摘要：
Shell #!/bin/bash echo "Hello World !" print "%-10s\n" "Hello World !" 执行脚本 chmod +x ./test.sh #使脚本具有执行权限 ./test.sh #执行脚本 变量引用 your_name="qinjx" echo 阅读全文
摘要：
如何制定OKR Objective： 自驱 聚焦（3-5个） 颗粒度一致 足够挑战（70%） SMART（方向明确、可衡量、可实现） 对齐沟通 Key Results： SMART：方向明确、可衡量、可实现 全面且完整 与O的关系--穷尽所有的可能性：所有KR达成是O能实现的必要条件 数量有限（1个 阅读全文
摘要：
拜读了Jure Leskovec的《Representation Learning on Networks》才明白图神经网络到底在学什么，是如何学的，不同GNN模型之间的关系是什么。总的来说，不同类型的模型都是在探讨如何利用图的节点信息去生成节点（图）的embedding表示。 图表示学习的两大主流 阅读全文
摘要：
1. 如何建图？ 要跑最短路，首先要有图 ——鲁迅 常用的存储方法有两种，分别是邻接矩阵（用二维数组表示边）和邻接表（模拟链表表示边）两种，他们各有不同的优势和不足： 邻接矩阵 邻接表 使用范围 稠密图 主要是稀疏图 空间耗费 n^2（n节点数） 理论上是 e（ e为边条数） 实现方式 二维数组 存 阅读全文
摘要：
梯度下降怎么并行的？ mini-batch Gradient Descent 并行化SGD LR怎么并行的？ 按行并行 将数据按行（样本）划分到多个机器，每个机器负责计算部分样本，最后相加。 按列并行 将数据按列（特征）进行划分，每个机器负责计算部分特征，将不同机器计算结果相加。 假设M个样本，每个 阅读全文
摘要：
回顾监督学习的一些要素 训练样本：\(x_i\) 模型：给定 \(x_i\) 预测 \(\hat{y}_i\) 参数：需要从数据中学到的 \(\theta = \{w_j|j=1,2,\cdots,d\}\) 目标函数 \[ obj(\theta) = L(\theta)+ \Omega(\thet 阅读全文