bonelee - 博客园

2018年10月29日

Python 优化第一步: 性能分析实践使用cporfile+gprof2dot可视化

摘要：拿来主义： python -m cProfile -o profile.pstats to_profile.py gprof2dot -f pstats profile.pstats |dot -Tpng -o click.png 然后顺着浅色线条优化就OK了。 windows下： google下g 阅读全文

posted @ 2018-10-29 16:58 bonelee 阅读(2497) 评论(0) 推荐(0)

python 利用quick sort思路实现median函数

摘要：时间复杂度：O（2n）因为 n+n/2+n/4+.... = 2n 下面这样写也很直观，比我写的跑起来还快些（诡异）： C=n+n2+n4+n8+…=2n=O(n) 阅读全文

posted @ 2018-10-29 12:12 bonelee 阅读(1030) 评论(0) 推荐(0)

intel python加速效果初探

摘要： python3安装intel的加速库：然后在linux下：~/anaconda3/envs/intelpy/bin/conda install --name intelpy keras 是可以安装keras的，但是在我mac下会出错！蛋疼！！！测试程序： https://www.leiphone 阅读全文

posted @ 2018-10-29 09:54 bonelee 阅读(2547) 评论(0) 推荐(0)

2018年10月26日

python 使用yield进行数据的流式处理

摘要： demo：从文件中取包含字符“a”的5行数据做一次批处理！！！阅读全文

posted @ 2018-10-26 11:42 bonelee 阅读(3999) 评论(1) 推荐(0)

使用SAE（VAE）检测信用卡欺诈——感觉误报率还是比较高啊 70%+误报蛋疼

摘要：效果图：使用VAE的：阅读全文

posted @ 2018-10-26 11:03 bonelee 阅读(826) 评论(0) 推荐(0)

2018年10月25日

keras-anomaly-detection 代码分析——本质上就是SAE、LSTM时间序列预测

摘要： keras-anomaly-detection Anomaly detection implemented in Keras The source codes of the recurrent, convolutional and feedforward networks auto-encoders 阅读全文

posted @ 2018-10-25 18:10 bonelee 阅读(1937) 评论(0) 推荐(0)

VAE demo

摘要：先看tflearn 官方的：再看：https://github.com/kiyomaro927/tflearn-vae/blob/master/source/test/one_dimension/vae.py keras的：https://gist.github.com/philipperemy/ 阅读全文

posted @ 2018-10-25 17:03 bonelee 阅读(1612) 评论(0) 推荐(0)

AIOps探索：基于VAE模型的周期性KPI异常检测方法——VAE异常检测

摘要： AIOps探索：基于VAE模型的周期性KPI异常检测方法 from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com from:jinjinlin.com 作者：林锦进阅读全文

posted @ 2018-10-25 11:08 bonelee 阅读(2507) 评论(1) 推荐(0)

杜伦大学提出GANomaly：无需负例样本实现异常检测

摘要：杜伦大学提出GANomaly：无需负例样本实现异常检测本期推荐的论文笔记来自 PaperWeekly 社区用户 @TwistedW。在异常检测模块下，如果没有异常（负例样本）来训练模型，应该如何实现异常检测？本文提出的模型——GANomaly，便是可以实现在毫无异常样本训练下对异常样本做检测。关阅读全文

posted @ 2018-10-25 11:07 bonelee 阅读(6210) 评论(1) 推荐(0)

基于PU-Learning的恶意URL检测——半监督学习的思路来进行正例和无标记样本学习

摘要：一、背景介绍现实生活许多例子只有正样本和大量未标记样本，这是因为获取负类样本较为困难、负类数据太过多样化且动态变化。比如在推荐系统，用户点击为正样本，却不能因为用户没有点击就认为它是负样本，因为可能样本的位置很偏，导致用户没有点击。 PU Learning（Positive-unlabeled l 阅读全文

posted @ 2018-10-25 10:38 bonelee 阅读(5088) 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