近年来，笔者在国内外CTF竞赛中见到不少与AI相关的题目。有一些是需要选手自行实现一个AI，来自动化某些操作；有些是给出了一个目标AI模型，要求选手进行破解。本文主要谈论后者——在CTF竞赛中，我们如何欺骗题目给出的AI？CTF中的欺骗AI问题一般分成两类：基于神经网络的和基于统计模型的。如果题目要求选手欺骗神经网络，一般会给出白盒

除了前面介绍的权重衰减以外，深度学习模型常常使用丢弃法（dropout）来应对过拟合问题。方法与原理为了确保测试模型的确定性，丢弃法的使用只发生在训练模型时，并非测试模型时。当神经网络中的某一层使用丢弃法时，该层的神经元将有一定概率被丢弃掉。设丢弃概率为$p$。具体来说，该层任一神经元在应用激活函数后，有$p$的概率自乘0，有

RPC(RemoteProcedureCall)—远程过程调用协议，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP或UDP，为通信程序之间携带信息数据。在OSI网络通信模型中，RPC跨越了传输层和应用层。RPC使得开发包括网络分布式多程序在内的应用程序更加容易。RPC采用客户机/

神经网络是模拟人脑思维方式的数学模型。神经网络是智能控制的一个重要分支，人们针对控制过程提供了各种实现方式，在本节我们主要讨论一下采用单神经元实现PID控制器的方式。1、单神经元的基本原理　　单神经元作为构成神经网络的基本单位，具有自学习和自适应能力，且结构简单而易于计算。接下来我们讨论一下单神经元模型的基本原理。（1）、单神经元模

1、分类与聚类的概念与区别分类：是从一组已知的训练样本中发现分类模型，并且使用这个分类模型来预测待分类样本。目前常用的分类算法主要有：朴素贝叶斯分类算法（NaïveBayes）、支持向量机分类算法（SupportVectorMachines）、KNN最近邻算法(kNearestNeighbors)、神经网络算法（NNet）以及决策树（De

背景描述通过上一篇中网络模型中的IP层的介绍(https://www.oschina.net/action/GoToLink?urlhttp%3A%2F%2Fblog.csdn.net%2Fqzcsu%2Farticle%2Fdetails%2F72859431)，我们知道网络层，可以实现两个主机之间的通信。但是这并不具体，因为，真正

卷积神经网络表征可视化研究综述（1）转载自：人工智能技术与咨询源自：自动化学报作者：司念文张文林屈丹罗向阳常禾雨牛铜摘要近年来,深度学习在图像分类、目标检测及场景识别等任务上取得了突破性进展,这些任务多以卷积神经网络为基础搭建识别模型,训练后的模型拥有优异的自动特征提取和预测性能,能够为用户提供“输入–输出”形式的端到端解决方案.然而,

递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKeykeyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段

1、前言推荐领域算法模型的在线推理是一个对高并发、高实时有较强要求的场景。算法最初是基于Wide&Deep相对简单的网络结构进行建模，容易满足高实时、高并发的推理性能要求。但随着广告模型效果优化进入深水区，基于Transformer用户行为序列和Atten

1、前言推荐领域算法模型的在线推理是一个对高并发、高实时有较强要求的场景。算法最初是基于Wide&Deep相对简单的网络结构进行建模，容易满足高实时、高并发的推理性能要求。但随着广告模型效果优化进入深水区，基于Transformer用户行为序列和Atten