bash_winner的博客

对于GAN摸索了一段时间，有一点心的，就是要注意使用普通的网络作为生成器和判别器（例如：全连接网络）需要注意使用BatchNormalization，进行批量归一化，不然很难出现好的结果。还有生成器的最后一层需要使用tanh()函数，推荐吧，也可以使用sigmoid，二者在这里的区别，可以自己找找。这是GAN的pytorch版本的实现。导入相关库import torchimport torchvisionimport torch.nn as nnimport torch.nn.fun..

Towards Evaluating the Robustness of Neural Networks面向评估神经网络的鲁棒性论文地址 https://ieeexplore.ieee.org/abstract/document/7958570摘要深度网络对于大多数的机器学习任务提供了顶尖的结果。不幸的是，深度网络容易受到对抗样本攻击：给定一个输入xxx和任何类别ttt，有可能找到一个新的输入x′x^\primex′，与xxx相似但是分类为ttt。这使得在安全的领域应用神经网络变得困难。防御蒸馏时最

Universal adversarial perturbations(通用对抗扰动)原文链接 https://www.researchgate.net/publication/309460742_Universal_adversarial_perturbations摘要考虑到一个顶尖的深度神经网络分类器，我们展示了一个通用（图像不可知）和非常小的扰动向量的存在，它会英气自然的图片，以一个很高的置信度被误分类。我们提出了一个系统的算法来计算通用扰动，来展示顶尖的深度神经网络对于这类扰动的高度的脆弱性，

Boosting Adversarial Attacks with Momentum用动量增强对抗攻击摘要深度神经网络对于对抗样本是脆弱的，对这些孙发提出了安全的担忧，因为潜在的严重的威胁。对抗样本作为一个重要的代理来评估深度学习模型的鲁棒性，在他们应用之前。然而，大多数存在对抗攻击只能欺骗一个黑盒模型以一个极低的成功率。为了解决这个问题，我们提出了一个更加广的类别，基于动量的迭代算法来增强对抗攻击。通过将动量项集成到攻击的迭代过程中。我们的方法可以稳定更新的方向，导致更具有迁移性的样本。为了进一步改

Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks利用平移不变攻击规避针对迁移性对抗样本的防御摘要深度神经网络对对抗样本具有脆弱性，通过添加不可察觉的扰动误导分类器。一个有趣的性质是他们的好的迁移性，是的在现实世界中很容易的进行黑盒攻击。由于对抗攻击的威胁，很多的方法被提出来改善鲁棒性。几个顶尖的防御被证明可以对于迁移样本样本具有鲁棒性。在这篇文章中，我们提出了平移不变性攻击方法来

SKIP CONNECTIONS MATTER: ON THE TRANSFERABILITY OF ADVERSARIAL EXAMPLES GENERATED WITH RESNETS （跳跃连接的重要性，论使用ResNets生成的对抗样本的迁移性）摘要跳跃连接是当前顶尖的深度神经网络的一个必不可少的重要的组成部分，例如：ResNet, wideResNet, DenseNet, ResNeXt。尽管他们在建立更加深沉的和更加有力的DNNs的巨大的成功，我们在这篇文章中确定了一个令人惊讶的安全的威胁

NESTEROV ACCELERATED GRADIENT AND SCALEINVARIANCE FOR ADVERSARIAL ATTACKS（Nesterov 加速梯度和缩放不变性攻击）摘要深度学习模型对于在良性输入的运用人类不可察觉的扰动所构造的对抗样本具有脆弱性。然而，在黑盒设置下，大多数已经存在的攻击攻击其他防御模型时，迁移性不足。在这篇文章中，从生成对抗样本作为一个优化的过程，我们提出了两个新的方法来改善对抗样本的迁移性，命名为 **Nesterov Iterative Fast Gra

Improving Transferability of Adversarial Examples with Input Diversity (使用输入多样性改善对抗样本的迁移性)翻译摘要尽管CNN在各种视觉任务上都取得了顶尖的表现，但是他们对于对抗样本表现脆弱性—通过先干净图片添加人眼不可察觉的扰动构造。然而，许多对抗攻击只是在黑盒设置的条件下，取得了相对低的成功率，这里攻击者不知道模型的结构和参数。为此目的，我们提出了通过构造多样性输入模式来提高对抗样本的迁移性。不仅仅用原始的图片生成对抗样本，我们

抖音1. 获取播放url的json数据请求的urlhttps://aweme-hl.snssdk.com/aweme/v1/feed/请求的方式getheadersheaders = { "User-Agent": "okhttp/3.10.0.1",}query stringparams = { "type": "0", "max_c...

哔哩哔哩网站 https://www.bilibili.com/1. 接口分析1.1 视频播放地址分析找到一个接口地址 https://api.bilibili.com/pgc/player/web/playurl?cid=160231833&qn=0&type=&otype=json&avid=82232111&ep_id=307446&fo...

酷我音乐 http://www.kuwo.cn/1. 分析音乐下载的接口http://www.kuwo.cn/url?format=mp3&rid=81010978&response=url&type=convert_url3&br=128kmp3&from=web&t=1584003980221&reqId=xxxxxxxxxxxxxx...

1. 写在前面的话爬取的这个网站http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2018/index.html有一定的反爬机制，需要使用到代理，才能完全的爬取下来，不然，会遇到，爬取了1000多条数据之后，或出现502的服务器错误。2. 基本思路解析页面，提取数据，存入数据库。（多线程）它的页面结构都是相似的table表格，所以这里的爬取...

前言：说在前面的画可能，一进来最关心的就是，实现的到底是个啥样，那就来一张动图呗，先声明一下，关于电脑的落子算法，本文只是简单的实现了一下（在玩家周围一格随机获取位置），如果懂机器学习可以引入机器学习的相关算法，来获取电脑应该下载哪（位置）看过我前几篇关于canvas的相关介绍和用法，你会发现，其实绘制棋盘。在指定的位置绘制棋子都是一件容易的事情（在指定位置绘制棋子，关键是：像素位置和坐标之...

前言：写在前面的话什么是表盘的时钟，先来看一张动图先来，说一下这个图吧。这个图的所有的部分，都是我自己画出来的，除了后面的背景图片是网上找的素材。这个时钟，①可以进行大小的任意缩放，完全可以加入到自己的页面中，作为一个小的控件。②可以创建任意多个，也就是所，采用了面向对象的方式，画出来的。先来说一下写这个钟的遇到的几个难点：如何画出刻度：这里用到了canva里面的坐标平移transla...

前言：写在前面的话什么是粒子时钟，听上去好高尚的样子。☺。起始也就那样。话不多说，先来张效果图。感觉是不是还行，怎样做的呢，其实也很简单。再来一张图。看了这个图片，是不是大致懂了，这个效果是怎么来的，其实说起来有点像，计算机的成像了。你所看到的图片，各种形状，其实都是一个一个像素点组成的。这里的数字也是用的这种方法，实现的。将画出一个数字，转变为画每一个像素点。这也用到了数学建模的思想。...

基于canvas的j贪吃蛇小案例

这里有南京邮电大学历年真题

这是我的第一个博客！！！