阿洛萌萌哒

摘要： 1 Function call stack: 2 train_function -> train_function -> train_function 解决办法： 1 import tensorflow as tf 2 import keras 3 config=tf.compat.v1.Confi 阅读全文

摘要： 尝试输出keras模型参数的时候，需要解决的问题： 1 import tensorflow.compat.v1 as tf 2 tf.disable_v2_behavior() 3 import numpy as np 4 weight = tf.get_variable(name='weights 阅读全文

摘要： 1 import tensorflow._api.v2.compat.v1 as tf 2 tf.disable_v2_behavior() 俺的版本需要用上面这个，记录一下。 其余可能好用的： 1 import tensorflow.compat.v1 as tf 2 tf.disable_v2_ 阅读全文

摘要： Building Auto-Encoder Intrusion Detection System based on random forest feature selection. 构建基于随机森林特征选择的AE-IDS abstract 机器学习技术在入侵检测中应用广泛，但这些技术尚面临着缺乏标记 阅读全文

摘要： 1.为什么要进行正则化？ 机器学习中，如果参数过多，模型会变得复杂，易overfit，即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。为了避免过拟合，最常用的一种方法就是使用正则化，从而限制模型参数更多/更大，避免模型的复杂。 2.L1正则化：在原损失函数的基础 阅读全文

摘要： 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 # Compute the x and y coordinates for points on sine and cosine curves 5 x = np.arange(0, 3 阅读全文

摘要： IPython 1.torch.abs? # 查看abs函数文档 2.torch.abs?? # 查看abs函数源码 3.%timeit a.sum() # 检测a.sum()执行时间 4.%hist # 查看输入历史 5.%paste # 执行粘贴板中的代码 6.%cat a.py # 查看a.p 阅读全文

摘要： NIDS在正式部署在网络上之前，需要经过大量的测试、评估和调整。这就需要我们使用合适的数据集进行这些内容。但当前数据集的获取主要存在以下两个问题：（1）很多数据集是内部非公开的，无法被共享。（2）数据的匿名化，使得它们无法反应当前的情况、趋势或是某些统计特征。 所以需要寻找到一些符合我们要求的次优数 阅读全文

摘要： 首先，我们复习一下数学期望的概念！ 在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。 它反映随机变量平均取值的大小。 需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该 阅读全文

摘要： MetaPoison: Practical General-purpose Clean-label Data Poisoning “MetaPoison：通用的干净标签投毒” written by：W. Ronny Huang * 1 Jonas Geiping * 1 2 Liam Fowl 1 阅读全文