vict0r

摘要： 多维输入 阅读全文

摘要： Logistic二分类 阅读全文

摘要： 线性回归，PyTorch构建模型的基本流程 阅读全文

摘要： 题目 A=(((y%x)**5)%(x%y)) **2019+y **316+(y+1)/x p=next_prime(zxy) q=next_prime(z) A = 26833491826787145242474695127934760098610147810049249054841274803 阅读全文

摘要： Compute Gradient in complicated network 在简单的网络中计算梯度 最简单的线性模型可能是$\hat=x*\omega+b$，在两层网络中，\(\hat{y}=W_2(W_1*x+b_1)+b_2\)，如果不做其他处理，实际上又可以整理成 \(\hat{y}=W_ 阅读全文

摘要： 题目 给了一个exe文件，打开后如图 分析 真-逆向 Kali中用file指令检查一下 PE32 executable (console) Intel 80386, for MS Windows 用ida打开并检索"flag"，发现 双击看到基本块的控制流程，直接F5 int sub_45E940( 阅读全文

摘要： 题目 HUB1 7850954197182682868665082143048169854470772937668193987280464111669178108204847593142910289764982236612293950094740631737051626270376109935396 阅读全文

摘要： 题目 from random import randint from gmpy2 import * from Crypto.Util.number import * def getprime(bits): while 1: n = 1 while n.bit_length() < bits: n * 阅读全文

摘要： Linear Model 假设已有数据x_data = [1.0, 2.0, 3.0]，y_data = [2.0, 4.0, 6.0] 线性模型为 \(\hat{y}=x*\omega\) 损失函数（均方差MSE）为： \(cost(\omega)=\frac{1}{N}\sum_{n=1}^N( 阅读全文

摘要： 题目 import sympy import random def myGetPrime(): A= getPrime(513) print(A) B=A-random.randint(1e3,1e5) print(B) return sympy.nextPrime((B!)%A) p=myGetP 阅读全文