学习路线:
这个方向初期比较容易入门一些,掌握一些基本技术,拿起各种现成的工具就可以开黑了。不过,要想从脚本小子变成黑客大神,这个方向越往后,需要学习和掌握的东西就会越来越多以下是网络渗透需要学习的内容:
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
图1-1 C3结构图
图1-2 BottleNeck和ConvBNSiLU结构图
Conv、BottleNeck、C3的代码如下:
class Conv(nn.Module):
# Standard convolution 通用卷积模块,包括1卷积1BN1激活,激活默认SiLU,可用变量指定,不激活时用nn.Identity()占位,直接返回输入
def \_\_init\_\_(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups
super(Conv, self).\_\_init\_\_()
self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)
self.bn = nn.BatchNorm2d(c2)
self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())
def forward(self, x):
return self.act(self.bn(self.conv(x)))
def fuseforward(self, x):
return self.act(self.conv(x))
class Bottleneck(nn.Module):
# Standard bottleneck 残差块
def \_\_init\_\_(self, c1, c2, shortcut=True, g=1, e=0.5): # ch_in, ch_out, shortcut, groups, expansion
super(Bottleneck, self).\_\_init\_\_()
c_ = int(c2 \* e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c_, c2, 3, 1, g=g)
self.add = shortcut and c1 == c2
def forward(self, x): # 如果shortcut并且输入输出通道相同则跳层相加
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
class C3(nn.Module):
# CSP Bottleneck with 3 convolutions
def \_\_init\_\_(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super(C3, self).\_\_init\_\_()
c_ = int(c2 \* e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 \* c_, c2, 1) # act=FReLU(c2)
self.m = nn.Sequential(\*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)]) # n个残差组件(Bottleneck)
# self.m = nn.Sequential(\*[CrossConv(c\_, c\_, 3, 1, g, 1.0, shortcut) for \_ in range(n)])
def forward(self, x):
return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))
二、轻量化C3模块
轻量化C3的改进思路是将原C3模块中使用的普通卷积,全部替换为深度可分离卷积,其余结构不变,改进后的DP_Conv、DP_BottleNeck、DP_C3的代码如下:
class DP\_Conv(nn.Module):
def \_\_init\_\_(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups
super(DP_Conv, self).\_\_init\_\_()
self.conv = nn.Conv2d(c1, c1, kernel_size=3, stride=1, padding=1, groups=c1)
self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=s)
self.bn = nn.BatchNorm2d(c2)
self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())
def forward(self, x):
return self.act(self.bn(self.conv(x)))
def fuseforward(self, x):
return self.act(self.conv(x))
class DP\_Bottleneck(nn.Module):
def \_\_init\_\_(self, c1, c2, shortcut=True, g=1, e=0.5): # ch_in, ch_out, shortcut, groups, expansion
super(DP_Bottleneck, self).\_\_init\_\_()
c_ = int(c2 \* e) # hidden channels
self.cv1 = DP\_Conv(c1, c_, 1)
self.cv2 = DP\_Conv(c_, c2, 1)
self.add = shortcut and c1 == c2
def forward(self, x): # 如果shortcut并且输入输出通道相同则跳层相加
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
class DP\_C3(nn.Module):
# CSP Bottleneck with 3 convolutions
def \_\_init\_\_(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super(DP_C3, self).\_\_init\_\_()
c_ = int(c2 \* e) # hidden channels
self.cv1 = DP\_Conv(c1, c_, 1)
self.cv2 = DP\_Conv(c1, c_, 1)
self.cv3 = DP\_Conv(2 \* c_, c2, 1) # act=FReLU(c2)
self.m = nn.Sequential(\*[DP\_Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)]) # n个残差组件(Bottleneck)
# self.m = nn.Sequential(\*[CrossConv(c\_, c\_, 3, 1, g, 1.0, shortcut) for \_ in range(n)])
def forward(self, x):
return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))
修改后的网络结构如下:
给大家的福利
零基础入门
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
同时每个成长路线对应的板块都有配套的视频提供:
因篇幅有限,仅展示部分资料
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!