[青少年CTF擂台挑战赛 2024 #Round] Misc 1ez_model

[青少年CTF擂台挑战赛 2024 #Round] Misc 1ez_model

题目描述：从Pytorch开始的AI之路

下载附件，是一个pth文件

.pth 文件通常是 PyTorch 模型的权重文件，它包含了模型的参数。要还原（或加载）一个大模型，你需要进行以下几个步骤：

1. 安装 PyTorch：确保你的环境中安装了 PyTorch。可以通过运行 pip install torch 来安装。

2. 定义模型结构：在加载 .pth 文件之前，你需要定义与训练时相同的模型结构。这意味着你需要知道模型的架构，并在代码中定义它。

3. 加载权重：一旦定义了模型结构，你可以使用 torch.load() 方法加载 .pth 文件中的权重，并使用 load_state_dict() 方法将权重应用到你定义的模型结构上。

示例代码：

import torch
import torch.nn as nn

# 假设我们有一个简单的模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(20, 50, 5)
        self.fc1 = nn.Linear(50 * 4 * 4, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 50 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 创建模型实例
model = SimpleModel()

# 加载预训练的权重
model.load_state_dict(torch.load('path_to_your_model.pth'))

# 将模型设置为评估模式
model.eval()

这个例子展示了一个非常简单的模型结构。实际使用时，你需要根据你的 .pth 文件对应的模型架构来定义模型。

请注意，如果 .pth 文件是使用 torch.save() 保存的整个模型（而不仅仅是模型的 state_dict），则可以直接使用 torch.load() 来加载整个模型，无需先定义模型结构。但是，推荐的做法是仅保存和加载模型的 state_dict，因为这种方式更加灵活且与模型代码解耦。

开始做题，我们学彭总的做法，首先看键值

import torch
import torchvision.models as models

#loaded_data = torch.load('easy.pth', torch.device('cpu'))    #设置在cpu环境下查询
loaded_data = torch.load('easy.pth')
print(loaded_data.keys())

键中有flag，想办法拿出来。

import torch
import torchvision.models as models

#loaded_data = torch.load('easy.pth', torch.device('cpu'))    #设置在cpu环境下查询
loaded_data = torch.load('easy.pth')
hint_value = loaded_data['hint']
print(hint_value)
flag_value = loaded_data['flag']
print(flag_value)

应该是ASCII，直接gpt解码。

第一个tensor解码结果：ZzYyXxAaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWw0123456789+/

第二个tensor解码结果：LidUJ3fQM2FVJoxpDwLvDyF3DwpPdwxOEgbQJoxnEgdnJgnojoZ5mF

应该是边表base64，第二个是加密字符串，第一个是表。