【教程】2025百度线上赛入门指南

已于 2025-05-17 19:55:40 修改
阅读量1.7k 收藏 29
点赞数 34
文章标签： 机器学习 paddlepaddle
于 2025-05-17 01:13:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qxlshark/article/details/148019784
版权

2025百度线上赛入门指南

0. 前言

0.1. 内容简述

文档主要用于记录参加2025年智能车百度创意组线上赛的各种配置过程，不一定是最简或最优流程，存在一些并不合理的操作，例如随意在包里拉屎直接修改各包源码等
直白地说就是：在配置过程中如果遇到问题，可能会采取直接修改报错代码或者由于该错误并未被使用，就暂且不论。
该文档适用于Windows系统，虽然涉及到的内容大多有跨平台的适配，但是对于其他平台的部署并未进行验证。

0.2. 百度创意线上赛简述

这里写一下线上赛流程的简要解说，参考以下链接

1、paddlex和gradio参考项目链接
https://aistudio.baidu.com/projectdetail/8826252
2、目标检测的paddlex文档
https://paddlepaddle.github.io/PaddleX/latest/module_usage/tutorials/cv_modules/object_detection.html#413
3、线上赛要求文档
https://www.yuque.com/baiduzhangziyu/ewfmh6/yi2becxlkzydhx1w?singleDoc#

简短地说：通过官方给的数据集进行目标检测项目的标注、训练、优化、测试、部署。
扩展点说，除开制作报告那类撰写工作不谈，我们需要：

  1. 下载官方数据集，部署PaddleLabel环境，对数据集进行标注
  2. 安装并配置PaddleX环境，验证数据集，通过校验的数据集我们选取一些内置模型进行训练
  3. 训练后，我们可以导出各种训练、测试等数据，针对这些数据进行分析，评估模型表现。
  4. 重复训练，选取不同的模型及不同训练参数，对比效果
  5. 模型调优。通过图像增强（图像处理，凸出目标）或数据集增强（对特定标签或图片，提高权重或进行一定修改，以提高泛化特定目标的检测能力及泛化性能）、采集更多数据（扩充数据集）等方式，优化目标检测模型。
  6. 部署模型。把训练好的模型部署在AI-Studio平台上。

由于这篇教程的目的是快速上手有关技术，完成自己的首次部署以熟悉流程，所以重复训练的任务不在这里赘述，自动标志、模型调优有关内容会进行介绍，但可能不会给出具体代码或数据，且所占篇幅较少。

本文长期更新（尽量）

任务全流程

1. PaddleX安装

参考 https://aistudio.baidu.com/projectdetail/8826252 安装PaddleX
PaddleX官方文档 https://ai.baidu.com/ai-doc/AISTUDIO/Blno6j408

主要流程如下：

事后诸葛亮：建议这一段用管理员权限跑

找一个你喜欢的位置，克隆PaddleX源码

cd ~
git clone https://gitee.com/paddlepaddle/PaddleX.git

安装PaddleX，使用可编辑模式（-e），代码改动后不需要重新编译

cd ~/PaddleX
pip install -e .
pip install --user -e .

验证及插件安装

paddlex -h

能输出就是安装正常,接下来安装插件

paddlex --install --platform gitee.com

等一会后下载完毕，中间会滚很久，耐心等待。

安装时可能会出现以下问题：

1. pandas安装不上（后面装插件netifaces包还会再出这个问题）

ERROR: Failed building wheel for pandas ERROR: Failed to build
installable wheels for some pyproject.toml based projects (pandas)

我这里是由于VisualStudio的MSVC没有io.h头导致的，去安装下安装WindowsSDK就可以了，根本原因是这个头不是STL的，编译器默认可能不带。

补：MSVC+WindowsSDK配置方法
首先安装VisualStudio-2014+版本
对于WindowsSDK，有两种安装方法

  1. 搜索并下载WindowsKit安装程序
  2. 在VS内查找有关包并安装

具体内容较易搜索，关键词“WindowsSDK”，这里不展开说。安装后记得设定INCLUDE等环境变量，并重启所有依赖的应用。
如果这里的简短内容无法解决配置问题，之后会进行扩充。

对于一部分包，更简单地,可以直接pip install pandas以安装预编译包（netifaces需要自己搜锁对应的whl包，然后使用pip安装）

2. 一堆Warnings

这里的报错提示不小心给我删掉了，主要是围绕GPUtil这个包的，直接看下面的解释吧

这里贴一段AI的解释（翻译）：

构建 'GPUtil' 项目时使用了传统的 setup.py bdist_wheel 机制
这种机制将在未来版本中被移除。pip 25.3 将强制执行这一行为变更。

意思就是这个功能比较老，但是包其实正常安装了，不必在意。

2. PaddleLabel安装及使用

2.1. PaddleLabel主体安装

参考官方 https://paddlecv-sig.github.io/PaddleLabel/CN/install.html

通过以下命令安装

pip install --upgrade paddlelabel

启动，终端输入pdlabel

上面这句，以及之后的很多语句可能需要先cd到PaddleX目录下才能使用

这时可能出错

ModuleNotFoundError: Please install connexion using the 'flask' extra

这表示缺少了该包的拓展，后面还会有很多缺少包的报错

尽管我自己配置时是一个一个试出来的，但为了阅读体验，每一段中，我会将后面出现的包全部整合到这里（后文同样）
requirements.txt我已整理出来，不过部分包通过
pip install -r requirements.txt
安装时会报错，需要一些调整，例如paddlepaddle得自己下合适版本，这样装貌似不太行

pip install connexion[flask] connexion[uvicorn]

再启动：

TypeError: Field.__init__() got an unexpected keyword argument 'exclude'

看报错信息定位到（后面发现这里的修改有点问题，参见：重新修正）

File "...\site-packages\paddlelabel\api\schema\task.py", line 18, in TaskSchema

猜测是多包之间的版本兼容问题，把这行改了

# annotations = fields.List(Nested("AnnotationSchema"), exclude=("task",))
annotations = fields.List(fields.Nested("AnnotationSchema", exclude=("task",)))

然后运行会出现这个问题：

TypeError: run() got an unexpected keyword argument 'debug'

意思是run()函数不能指定debug参数，这里我怀疑是版本兼容问题，但由于没找到具体的版本，反复测试版本很费事，我就直接把debug的参数去掉了，如下：

# ...\site-packages\paddlelabel\__main__.py
connexion_app.run(host=configs.host, port=configs.port, debug=configs.debug)
# 复制并注释掉原来的行，删掉debug参数
connexion_app.run(host=configs.host, port=configs.port)

当然，之后在官方的Github页面上找到了有关问题，回答中给出了部分包的版本号，一并修复了这个问题，所以你可以不动这部分代码（后文参见：重新修正）

再启动就能正常打开界面（如果页面没弹出或者被意外关掉了，本地的可以直接localhost:8080（仅win11）或者127.0.0.1:8080打开，端口号可能和我这个不一样，不行就看看启动日志）
请添加图片描述

2.2. 数据集创建（以及巨量配置问题修复）

线上赛数据集 https://aistudio.baidu.com/datasetdetail/330653 一共876张

下载数据集并解压，能看到有很多图片和一部分json文件（只标注了写文字的板子，而且还只有七十多张，基本和只有图片差不多了）
请添加图片描述

打开PaddleLabel，创建目标检测项目
请添加图片描述

根据页面右侧提示配置项目

请添加图片描述请添加图片描述

我的文件夹结构如图所示，数据集文件夹下一级为JPEGImages文件夹
故应当将“dataset_01”的绝对路径作为数据集路径
请添加图片描述

该修改的都做好后，可以tree . /f看看是不是这样的文件夹结构（若不导入其他数据，可以直接创建项目，基本只要图片文件夹正确即可）
请添加图片描述

回到PaddleLabel界面，创建项目（先别急着看下一行，无法创建也可能是文件夹层次不对或者内容为空，当然，内容为空的异常处理确实好像是官方没写的逻辑，后面为了灵活，我改动了一点代码以允许空文件的存在。）

哈哈！创建失败！

回到终端debug：

 File "...\site-packages\paddlelabel\api\schema\project.py", line 22, in pre_load_action
    if "label_dir" in data.keys() and data["label_dir"] == "":
                      ^^^^^^^^^
AttributeError: 'function' object has no attribute 'keys'

请添加图片描述

这个data有问题，应当是个字典，但是报错信息说它是个函数

if type(data) != dict:
    print("\n\n\n!!!!!!!!!!!!!!!!!!!!! data : "+str(type(data))+"\n\n")
# 结果：!!!!!!!!!!!!!!!!!!!!! data : <class 'method'>

这个data怎么是class 'method’啊，看调用栈应该是别的库干的，应该是版本问题，经过搜索，我找到了官方对于这个问题的解答：

问题链接 https://github.com/PaddleCV-SIG/PaddleLabel/issues/214
解决如下：

了解明白。
咱这个错误是coroutine版本不匹配
connexion==2.14.1
随后是flask报错AttributeError: module 'flask.json' has no attribute 'JSONEncoder'
同样重装对应版本，Flask==2.2.2
最后是werkzeug库报错ImportError: cannot import name 'url_quote' from 'werkzeug.urls'...
同样重装对应版本，Werkzeug==2.2.2
装好对应版本就能创建项目了
主要还是版本不匹配啊

这里给个代码段：（一并解决了之前debug字段不存在的问题：之前的更改）

pip install uvicorn==0.14.0 --no-deps
pip install connexion==2.14.1 --no-deps
pip install anyio==3.0 --no-deps
pip install Werkzeug==2.2.2 --no-deps
pip install starlette==0.21.0 --no-deps
pip install Flask==2.2.2 --no-deps
pip install Flask-Cors==3.0.10 --no-deps
pip install a2wsgi==1.8.0 --no-deps
pip install alembic==1.12.1 --no-deps
pip install a2wsgi uvicorn==0.18.1

如果后续还有报错IndexError: list index out of range，就是我说的空文件引起的，解决方法也很简单。
把这个：
请添加图片描述

改成这个：
请添加图片描述

然后，启动！

2.3. 标注数据集

我习惯使用YOLO系的，其他格式也大差不差

先创建一些类别：
请添加图片描述

请添加图片描述

然后拉框标注即可，这里仅作演示，没有正经标注

如果你想使用官方标注过的那70多个框，看下一步的导入导出（及报错处理）

请添加图片描述

然后现在有新问题了：
在切换下一张中，前面更改的fields.Nested又炸了，改回去看看是哪个库

前面对于问题的定位与修改参见：上一个修复

请添加图片描述

重新修改了这段代码，中间这个版本能用，注意括号次序
现在能够正常利用PaddleLabel标注图片
请添加图片描述

2.4. 导出导入数据集

在项目总览中进行导出操作如图

请添加图片描述
请添加图片描述
请添加图片描述

经过测试，能够正常导出

导入同理，由于问题的解决比较零散，这里给出一些可能的报错和修复方法，如下：

  1. 问题：额外数据导入失败
    请添加图片描述

    请添加图片描述

    修复：临时使用可以直接把label_format参数改成你想要的常量，完整修复我再看看，还不完全清楚这个bug怎么来的，但是后来莫名其妙好了，没法再复现，应该是哪个包的版本问题

  2. 问题：新建项目导入不了其他数据
    请添加图片描述
    ...\site-packages\paddlelabel\task\detection.py这里少一层对空字符串的处理导致anns为空的时候会炸
    修复：增加处理逻辑，另外，后面两行的xmid, ymid, xlen, ylen = ann[1:]也需要防止ann长度问题，也很简单，如果len(ann)<5，直接continue即可

  3. 问题：pdlabel莫名其妙挂掉
    提示"Fatal error in launcher: Unable to create process using"
    这一段报错里面应该会有个什么exe，把那个删了（怕坏就挪到别的位置，之后修不好再挪回去）
    然后pip install --upgrade paddlelabel再装一遍
    没好就整个uninstall掉再重装，数据不会丢（只要没把数据放在包文件夹里，不过大多数人应该也不会这样做）

2.5. 数据集划分

为了让测试集能更真实地反映模型的识别准确度及泛化能力，我们需要划分数据集

在PaddleLabel中默认配置可以一遍过，没报错，在“项目总览”的顶上可以看到“划分数据集”，看着来就行

2.6. 自动标注

在标注了一部分图片后，可以初步训练一个小模型，辅助标注剩余的图片，提高标注效率
我之前搞过这个，没有完全重来，所以配置过程之后再补

3. PaddleX的使用

3.1. 数据集校验

各个基础模型的描述在 这里，模型文件也可以从该网站下载。
当然，本地clone了PaddleX的话，也可以在PaddleX\paddlex\configs\modules\object_detection找到

首先，我们需要校验上一步的数据集
注意这里我选择的模型需要COCO格式的标签，其他格式可以导入到PaddleLabel再导出为合适的格式

配置模型，需要配置训练的yaml（PaddleX文件夹里和模型文件放一起的）：

Global:
  model: PP-YOLOE_plus-S
  mode: check_dataset # check_dataset/train/evaluate/predict
  dataset_dir: D:/test/BaiduSmartCar/pd_online_missions/datasets/dataset_01_export
  device: gpu:0
  output: "output"

主要注意device和dataset_dir，根据情况自行调整，多卡就是gpu:0,1,2,3
配置好后运行以下命令执行校验（cd到PaddleX项目下）

python main.py -c paddlex/configs/modules/object_detection/PicoDet-S.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=D:\test\BaiduSmartCar\pd_online_missions\datasets\dataset_01
// 如果不能运行，去掉\和换行符

大概率会缺失几个库：

pip install colorlog pydantic filelock chardet ruamel.yaml GPUtil ujson prettytable

尝试再次运行命令，报错：

Ensure that both instance_train.json and instance_val.json exist in D:\test\BaiduSmartCar\pd_online_missions\datasets\dataset_01_export/annotations

这是因为PaddleLabel直接导出的文件夹结构和PaddleX的不太兼容
需要进行如下操作：

文件（夹）重命名

原名字重命名
image→images
train.json→instance_val.json
test.json→instance_test.json

文件夹结构重新调整

原位置新位置
dataset/instance_train.json→dataset/annotations/instance_train.json
dataset/instance_val.json→dataset/annotations/instance_val.json
dataset/instance_test.json→dataset/annotations/instance_test.json

验证通过后，会输出校验通过的信息，并且可以在PaddleX/output下看到一些信息文件，包括各类标签的统计等等

3.2. 模型训练

需要配置训练的yaml（PaddleX文件夹里和模型文件放一起的）：

Train:
  num_classes: 13
  epochs_iters: 10
  batch_size: 8
  learning_rate: 0.0001
  pretrain_weight_path: D:\test\BaiduSmartCar\pd_online_missions\paddle\PP-YOLOE_plus-S_pretrained.pdparams # use object365 pretrained
  warmup_steps: 100
  resume_path: null
  log_interval: 10
  eval_interval: 1

运行训练命令：

python main.py -c D:\test\BaiduSmartCar\pd_online_missions\paddle\PP-YOLOE_plus-S.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=D:/test/BaiduSmartCar/pd_online_missions/datasets/dataset_01_export \
    -o Train.dy2st=True
// 最后一行dynamic-to-static用于加速训练

报错：

paddlex.utils.errors.others.UnsupportedParamError: ‘YOLOE_plus-S.yaml’ is not a registered model name.

原因：有组件没安装成功，尝试执行paddlex --install PaddleDetection

对于其他的功能，对应的组件名字可以在这里找到

安装过程中我出现了权限问题（Permission denied / 拒绝访问），使用管理员权限运行，能够正常安装

再次运行，报错未安装Paddle框架，所以还需要安装Paddle主框架（这里选择GPU版本）

请添加图片描述

预览版的支持问题:
在之前配置其他paddle项目的时候就有遇到过，由于预览版的版本号格式和原有处理逻辑不一致，会引起其他组件的问题
例如这个版本号字符串"3.0.0.dev20250514"就不能匹配其他地方默认处理的v1,v2,v3=v_string.split(".")
别的像什么匹配版本高低啥代码的自己看着改一下

再次启动训练，缺包：

pip install scipy imgaug scikit-learn visualdl motmetrics

对一部分过时代码:

// AttributeError: `np.sctypes` was removed in the NumPy 2.0 release. Access dtypes explicitly instead.
pip install numpy==1.26.4
// 或者去把包的源码修了也行，尽管不能保证别的地方有没有类似问题

如果报错：

Error: C:\home\workspace\Paddle\paddle\phi\kernels\gpu\one_hot_kernel.cu:37 Assertion `p_in_data[idx] >= 0 && p_in_data[idx] < depth` failed. Illegal index value, Input(input) value should be greater than or equal to 0, and less than depth [5], but received [0].

说明模型配置的.yaml中，num_classes没有配置正确

请添加图片描述

配置后错误不再出现

请添加图片描述

好！有得食！

模型训练后的输出在PaddleX/output下面

3.3. VisualDL模型可视化

参考链接：VisualDL官网资料

安装pip install --upgrade --pre visualdl

使用命令直接启动VisualDL

visualdl --logdir D:/test/BaiduSmartCarPaddleX/output --port 8040

// 或更多组件
visualdl --logdir D:/test/BaiduSmartCar/PaddleX/output --host 0.0.0.0 --port 8040 --component_tabs scalar image text embeddings audio histogram hyper_parameters static_graph dynamic_graph pr_curve roc_curve profiler x2paddle fastdeploy_server fastdeploy_client

通过浏览器访问localhost:8040或127.0.0.1:8040进入可视化页面

缺包：

pip install paddle2onnx x2paddle gradio tritonclient[all] gevent geventhttpclient

有warning不管，报错的那个不兼容依赖没用到
请添加图片描述
请添加图片描述

至此，本地部分基础内容已经完成

这真的是！泰 裤 辣！

4. AI-Studio在线部署

4.1. AI-Studio在线训练

非必须项，可以本地训练，但最终要在AI-Studio上部署

首先需要有一个AI-Studio账号，在这里创建你的数据集，
从数据集根目录打包得到数据集压缩包，上传到AI-Studio平台。
请添加图片描述

再在左侧“模型”页面创建图像识别产线
请添加图片描述

校验数据集，并选择合适的模型进行部署，我们暂时采用默认设置

请添加图片描述

运行后等待完成，得到模型的训练结果，可以下载到本地，也可以在线一键部署。（限免券就那么几张，我就不浪费了）

4.2. Gradio部署

安装依赖：

pip install gradio fastapi

安装全局的paddlex

pip install paddlex==3.0.0rc1
pip install "paddlex[base]==3.0.0rc1"

在AI-Studio中，创建一个Gradio项目
请添加图片描述

创建完了以后你会发现这东西跑到“应用”里面了，因为它比较轻量级
进去以后会默认打开README.md文件，那是自带的教程

git使用相关我不知道要不要写，我也是之前配置过，现在也不太清楚了

按照那个教程克隆本地仓库后（我个人倾向于开个新文件夹做），把前面训练的模型放进去，主要是这些东西：

请添加图片描述

然后就可以基于Gradio进行部署了，这里给出一些基本用法：

import gradio as gr

def demo(img_input):
    img_output=img_input
    return img_output

demo = gr.Interface(fn=demo, 
                    inputs="image", 
                    outputs=gr.Image(type="numpy")
                    )     
# 这里指定了输出图片的格式，默认是pil
# 输入输出可以有多个

demo.launch()

本地运行以下就可以看到效果，通过完成demo()这个函数，就可以实现想要的功能，实际处理逻辑这里就暂时不作介绍了
请添加图片描述

然后我们要将项目跑在云端
git提交所有更改后在AI-Studio上“发布应用”，填写完信息，选择那个免费的配置就可以发布了，通过公开你的应用，可以让其他人进行访问。
在这里插入图片描述

这里来说几个我自己踩的坑：

  1. 路径问题
    这个坑我其实没踩，这里只是提醒一下，由于云端的路径和本地的不一样，如果是工作空间外的文件，需要放进工作空间，并且采用相对路径调用。

  2. 环境问题
    这个估计很多人都遇到了，AI-Studio的环境居然没有PaddleX！
    一种方法是把所有包放进工作空间，但不推荐，因为浪费空间。
    我的解决方式是在代码里写一行运行pip install进行安装
    可以自行实现一个小module，负责检查环境及安装，这样在主程序中调用一下之后，就可以正常运行有依赖的代码了（而且不会让主程序一开头就很丑）。

  3. 颜色问题
    请添加图片描述
    如图，输出图片的检测都正常，但是颜色不对
    这是因为opencv默认的颜色格式是bgr而通常的显示会使用rgb，需要把颜色通道调换一下。

到这里，基本的配置流程就完结了，希望能帮到大家。

当然了，目前这篇文章还很不完善，以下内容还未加入：

  • 训练服务器的搭建
  • 自动标注
  • 模型优化（包含数据集增强）
  • etc.
qxlshark
关注
教程2025百度线上赛入门指南 requirements.txt
05-17
用于pip安装的requirements.txt
LaTex入门教程
大学成长道路上的探索经历与点滴思考，与君共勉，共筑成长。
06-16 1281
1.说明 2.页面的分区 3.入门介绍 （1）命令 （2）环境 （3）声明 （4）注释 4.代码结构 （1）导言区 （2）支持中文 （3）警告说明 （4）文章层级
【2025年】全国CTF夺旗赛-从零基础入门到竞赛，看这一篇就稳了！
2402_84205067的博客
01-18 675
网络安全产业就像一个江湖，各色人等聚集。相对于欧美国家基础扎实（懂加密、会防护、能挖洞、擅工程）的众多名门正派，我国的人才更多的属于旁门左道（很多白帽子可能会不服气），因此在未来的人才培养和建设上，需要调整结构，鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”，才能解人才之渴，真正的为社会全面互联网化提供安全保障。
算法竞赛入门指南
2301_79199219的博客
05-18 3419
首先明确你学算法的需求，从易到难大致分为以下三种： 1：应付小厂面试就行，考研数据结构无所谓的。 2：手撕中大厂算法，在蓝桥杯，天梯赛等算法比赛获得国奖，考研希望数据结获得不错的分数（**推荐**）。 3：打ICPC，CCPC等算竞比赛，公费旅游，成为吊大荣光。
2024最全CTF入门指南（建议收藏）
ewii12567的博客
11-15 1037
CTF（Capture The Flag）中文一般译作夺旗赛，在网络安全领域中指的是网络安全技术人员之间进行技术竞技的一种比赛形式。CTF起源于1996年DEFCON全球黑客大会，以代替之前黑客们通过互相发起真实攻击进行技术比拼的方式。发展至今，已经成为全球范围网络安全圈流行的竞赛形式，2013年全球举办了超过五十场国际性CTF赛事。而DEFCON作为CTF赛制的发源地，DEFCON CTF也成为了目前全球最高技术水平和影响力的CTF竞赛，类似于CTF赛场中的“世界杯”。
参加【2025年春季】全国CTF夺旗赛-从零基础入门到竞赛，看这一篇就稳了！
白帽子凯哥聊黑客
12-10 1187
参与当下举行的ctf赛事是最好的学习方法之一，即使是初学者也能够找到一些适合自己能力的赛事，比如极客大挑战、UNCTF、各个大学的新生赛等等都是不错的选择，在比赛中去发现自己知识的不足，然后去针对的补充这部分知识，是很好的学习循环，无需迷茫的去到处获取知识，而是在需要时去学习。Tips: 或许有人觉得直接刷题是一样的，但完全不是，当下比赛中的题往往更加前沿和流行，你可以找到当下的ctf题目趋势，紧跟技术热点，而且可以多多融入ctf竞技的氛围中，成长的更快。进入中期，我们便要开始着眼经典漏洞的学习。
【2025年春季】全国CTF夺旗赛-从零基础入门到竞赛，看这一篇就稳了！
白帽子凯哥聊黑客
03-28 936
参与当下举行的ctf赛事是最好的学习方法之一，即使是初学者也能够找到一些适合自己能力的赛事，比如极客大挑战、UNCTF、各个大学的新生赛等等都是不错的选择，在比赛中去发现自己知识的不足，然后去针对的补充这部分知识，是很好的学习循环，无需迷茫的去到处获取知识，而是在需要时去学习。后续的学习方法或许该由你自己决定，我在此只给一些建议。当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
CTF入门教程（非常详细）从零基础入门到竞赛，看这一篇就够了！
2401_82672634的博客
07-18 1878
CTF（Capture The Flag）中文一般译作夺旗赛，在网络安全领域中指的是网络安全技术人员之间进行技术竞技的一种比赛形式。CTF起源于1996年DEFCON全球黑客大会，以代替之前黑客们通过互相发起真实攻击进行技术比拼的方式。发展至今，已经成为全球范围网络安全圈流行的竞赛形式，2013年全球举办了超过五十场国际性CTF赛事。而DEFCON作为CTF赛制的发源地，DEFCON CTF也成为了目前全球最高技术水平和影响力的CTF竞赛，类似于CTF赛场中的“世界杯”。MISC（安全杂项）
【这周轻推荐】在github上那些你值得拥有的知识链接(o´ω`o)ﾉ
daijun02的专栏
08-05 2237
GitHub：全球最大的源代码管理平台，很多知名开源项目都在上面，如Linux内核。 关于GitHub搜索技巧整理，可以点击这里 (o)/~ GitHub上整理的一些工具 增加我们的技术储备 今天就给大家推荐一个，Best-websites-a-programmer-should-visit，GitHub 标星 3.2w+，翻译过来就是“程序员应该访问的最佳网站”。 GitHub 网址： https://github.com/sdmg15/Best-websites-a-programmer-shoul.
北航孙钰：昆虫目标检测技术
读芯术的博客
05-07 2081
不到现场，照样看最干货的学术报告！嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现...
知乎小白关于ctf竞赛训练 积累的资料
qq_43679873的博客
11-13 4636
知乎小白关于ctf竞赛训练 积累的资料
最全面鸿蒙系统开发的相关资料收录
Wscats
07-31 4917
开发 本示例基于 OpenHarmony 下的 JavaScript UI 框架，进行项目目录解读，JS FA、常用和自定义组件、用户交互、JS 动画的实现，通过本示例可以基本了解和学习到 JavaScript UI 的开发模式。 本项目是基于 OpenHarmony 项目而不是 HarmonyOS 项目，请注意运行环境。 请参考 OpenHarmony 项目配置方法 进行项目配置和运行。 如果你不熟悉 OpenHarmony 的 JS 开发，请参考该项目的 开发讲解。 示例 下载 awesome-har
【动手学机器学习】第三章模式识别与机器学习经典算法——k 近邻算法
m0_55303420的博客
06-03 760
一文入门机器学习
【机器学习基础】机器学习入门核心算法：层次聚类算法（AGNES算法和 DIANA算法）
weixin_43988131的博客
06-02 888
机器学习入门核心算法：层次聚类算法（AGNES算法和 DIANA算法）
机器学习——聚类算法
Xyz_Overlord的博客
06-03 504
根据样本之间的相似性，将样本划分到不同的类别中的一种无监督学习算法。细节：根据样本之间的相似性，将样本划分到不同的类别中；不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。计算样本和样本之间的相似性，一般使用欧式距离。
机器学习：集成学习概念和分类、随机森林、Adaboost、GBDT
最新发布
sulin123123的博客
06-03 526
集成学习是一种通过结合多个基学习器（弱学习器）的预测结果来提升模型整体性能的机器学习方法。随机森林是基于 Bagging 思想实现的一种集成学习算法，通过构建多棵决策树并结合它们的预测结果来提高模型的准确性和鲁棒性。Bagging 框架通过有放回的抽样产生不同的训练集，从而训练具有差异性的弱学习器，然后通过平权投票、多数表决的方式决定预测结果。2.在根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本（增加权重）在后续得到最大的关注；5.再将这T个基学习器进行加权结合得到集成学习器。
【NATURE氮化镓】GaN超晶格多沟道场效应晶体管的“闩锁效应”
荷塘阅色
05-29 329
2025年X月X日，布里斯托大学的Akhil S. Kumar等人在《Nature Electronics》期刊发表了r-文章，基于AlGaN/GaN超晶格多通道场效应晶体管的研究，通过实验测量、模拟和电致发光成像，首次在GaN基多通道晶体管中观察到类似硅基器件的“闩锁效应”，即在高于14V的漏极偏压下，漏极电流会从“关断态”急剧变化到“高电流通态”，并在低于60 mV/decade的阈值电压范围内出现极陡峭的亚阈值斜率。
生成对抗网络（GAN）基础原理深度解析：从直观理解到形式化表达
2501_90186640的博客
06-03 771
本文详细解析生成对抗网络（GAN）的核心原理，从通俗类比入手，结合印假钞与警察博弈的案例阐述生成器与判别器的对抗机制；通过模型结构示意图，解析噪声采样、样本生成及判别流程；基于公式推导目标函数的数学本质，剖析判别器与生成器的优化逻辑；最后对比GAN目标函数与交叉熵损失的关联差异。本文结合公式推导与概念对比，助力读者建立GAN基础理论体系。
机器学习——随机森林算法
yn3535_的博客
06-03 639
你会将这10个训练样本放在那个虚拟的袋子里，并进行10次有放回抽样以生成一个新的训练集，也包含10个样本，然后在这个训练集上训练一个决策树，所以这是使用有放回抽样生成的数据集，如果仔细观察，可能会注意到某些训练样本是重复的，那没关系。如果在这个数据集上训练决策树算法，最终会得到这个决策树。完成一次之后，再重复第二次，使用有放回抽样生成另一个包含m或10个训练样本的训练集，然后再这个新数据集上训练决策树，最终得到一个稍微不同的决策树，以此类推，总共可能这样做B次，B代表的是构建的树的数量，可能在100左右。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值