2018年10月_liutianheng654

原创 Hook dll中导出函数，输出想要的入参或出参

最近逆向某聊天软件协议部分，需要打印出所有报文加解密的原文，密文以及密钥。想通过hook的方式，hook导出函数的地址，然后在函数进入前输出想要的入参，函数返回时输出想要的出参。用到了dll注入的方式。参考了逆向工程核心原理的内容。可通用性还可以，分享代码如下：https://download.csdn.net/download/liutianheng654/10754049如果想针对自己...

2018-10-30 19:40:07 3729 1

原创图像框检测算法的演变

mAPmean Average Precision:在每个类上的平均准确率NMS非极大值抑制针对每个类的候选框，根据得分从大到小排序取最大得分的候选框，依次和后面的候选框进行IoU计算，若大于阈值，则删除得分低的。否则认为图像中存在多个同类物体。依次在得分较低的候选框上计算2，得到最终候选框。这里有说可以在最后一步结果上删除候选框得分小于阈值的。但是完全可以在开始就做这一...

2018-10-23 19:36:27 1651

原创深度学习花书学习笔记第十四章自编码器

RBM受限玻尔兹曼机：后面有专门章节介绍。书中这里多次提到，感觉这个书的顺序也很不合理啊，很多这种问题。。。欠完备自编码器编码输出维度小于输入的编码器称为欠完备自编码器，可以得到有效特征。正则自编码器编码输出维度大于等于输入的编码器称为过完备自编码器。可能学不到任何有用信息稀疏自编码器：其中g(h) 是解码器输出，h是编码器输出。即h = f(x)去噪自编码器DAE...

2018-10-23 19:29:28 1572

翻译 kaggle 入门系列翻译（六） RSNA 肺炎预测

https://www.kaggle.com/zahaviguy/what-are-lung-opacities这篇从医学的角度来阐述检测图像的特征这篇文章说比赛主要是检测肺浑浊而非肺炎，反正也是一种肺病吧。通常肺部的图片还包括很多部分，如血管、脂肪、心脏等。一个正常人的x光肺部图片如下：在拍摄图像的过程中，x射线穿过身体到达另一侧的探测器。稀疏的组织，如充满空气的肺，不会...

2018-10-18 20:01:58 2505 3

原创遇到SSE相关指令含义整理

工作需要逆向微信部分代码，遇到了这个指令集，资料很少，整理如下：xmm0~xmm7 128位mm0~mm7 64位byte 一个字节、8bitdword 双字，4个字节，32bitqword 四字，8个字节，64bit指令含义参照如下英文链接：https://www.felixcloutier.com/x86/index.htmlmovdqu...

2018-10-15 14:32:26 3255

原创深度学习花书学习笔记第十三章线性因子模型

线性因子模型通常用作其他混合模型的组成模块，用于描述数据生成过程。各种线性因子模型的主要区别在先验概率不一样。概率PCA服从高斯先验。独立成分分析不服从高斯先验。其功能类似em算法。用于分离特征。区别？慢特征分析（SFA）源于慢性原则。稀疏编码可以进行特征选择。PCA就像在一个流体上按照最大横截面积切了，然后最长的方向就是主成分，正交的最长的就是次长，类推。具体这张是什么意...

2018-10-15 09:39:15 1759 5

翻译 kaggle 入门系列翻译（五） RSNA 肺炎预测

第二课：肺部X光结果的语义分割本课主要介绍应用MD.ai使用U-Net来进行语义分割；使用MD.ai注释器查看DICOM图像，并创建图像级别注释。然后使用MD.ai python客户端库下载图像和注释，准备数据集，然后用于训练模型进行分类。MD.ai官网如下：https://www.md.ai/是一个专门用于医疗AI的开源库，不过目前好像就只有这个kaggle项目呀，可以很方便的看...

2018-10-13 15:03:29 1496

原创深度学习花书学习笔记第十二章应用

大规模深度学习首先深度学习之所以能够在现在获得大的突破，主要依靠于硬件技术的进步和大数据的发展。卷积神经网络需要的高并发，依赖于GPU的发展不断进步，甚至已经有了很多专用设备，如谷歌TPU，阿里和华为也都有最新针对AI算法的芯片。高并发时可能导致梯度下降出问题，目前多采用异步梯度下降。当模型过大时，通常可以通过模型压缩来减少内存和运算时间。（具体方法这里没提）模型可以动态选择运算单...

2018-10-12 10:37:12 926

原创深度学习花书学习笔记第十一章实践方法论

性能度量根据任务需求，需要有不同的性能度量方式，常规度量方式如下：_ 真假认为真 true positive(TP) false positive(FP) 认为假 false negative(FN) true negative(TN) 准确率：精确率：召回率：PR曲线：F1分数：覆盖：IoU：R...

2018-10-09 18:41:54 1037

原创深度学习花书学习笔记第十章序列建模：循环神经网络

展开计算图就是将循环图展开成展开图而已。循环神经网络就是如上网络，将某一层不断重复，输出重新作为输入的一部分。双向RNN应用于上下文环境都影响结果的场景，如语音识别，文章翻译等基于编码-解码的序列到序列架构可以将可变长度的输入转变为可变长度的输出。这里也提到了注意力模型。后面了解下自编码网络有没有用到循环神经网络的技术。自编码网络是将一个东西编码后解码再还...

2018-10-09 11:44:59 1459

翻译 kaggle 入门系列翻译（四） RSNA 肺炎预测

https://github.com/mdai/ml-lessons/blob/master/lesson3-rsna-pneumonia-detection-kaggle.ipynb上述是官方提供的一个教学，点进去之后共有四个章节，本文先翻译第一个章节：针对使用深度学习进行医疗图像识别第一课：胸部和腹部x光的分类这是对用于医学图像分类的实用机器学习的高级介绍。本教程的目标是建立一...

2018-10-08 14:57:43 2179 1

原创深度学习花书学习笔记第九章卷积网络

卷积运算内积和外积中的内积被通常认为时卷积，可交换性是因为他经过了翻转。但是神经网络中一般不应用翻转。而是直接使用互相关函数：动机三大特性：稀疏交互、参数共享、等变表示。稀疏交互：核的大小远小于输入。相对于全连接，一个输入项只影响较少神经元，大大减少运算量。参数共享：也叫绑定权重，每个核的权重不变，遍历整个输入。使我们只需要少量参数，等变表示：卷积网络具有平移等变的...

2018-10-06 21:55:53 1810

翻译 kaggle 入门系列翻译（三） RSNA 肺炎预测

https://www.kaggle.com/peterchang77/exploratory-data-analysis概述比赛主要用来识别二维高分辨率图像的胸片中是否存在肺炎的区域。肺炎只是导致胸片显示出问题的一种可能，且每幅图可能有数个肺炎区域或没有肺炎区域。文章由一个放射科医师和机器学习双重专家编写，介绍该数据集的底层结构、成像结构和标签类型首先导入依赖库：im...

2018-10-02 21:46:56 4962 1

原创深度学习花书学习笔记第八章深度模型中的优化

学习和纯优化有什么不同我们期望降低的是期望泛化误差，也叫风险。但是我们平时训练时是以训练误差计算，俗称经验风险最小化。可能导致过拟合。训练方式：当原问题较难运算时，可以计算对等问题，使用代理损失函数。但是提前终止算法使用的是真实的损失函数一般。当训练数据过多时，一般每次训练不使用全部样本，而是选取部分批次来训练，大大降低了训练成本，提高训练速度。但是要注意，选取批次样本时，要先...

2018-10-01 22:11:26 1457

liutianheng654的博客