目录场景：报错：解决：目录结构：输入数据：主函数： 输出效果：场景：我在使用graphviz这个第三方库，python实现求两点间所有路径的算法并使用graphviz图形化展示路径。报错：graphviz.backend.execute.ExecutableNotFound:failedtoexecuteWindowsPath('dot'),makesuretheGraphvizexecutablesareonyoursystems'PATH解决：大家习惯pipinstallgraphviz去安装，但是graphviz是个软件，不能单独用Pip安装。（1）先将自己安装好的卸载pipuninst
MatrixBreakout:2Morpheus靶机信息名称：Matrix-Breakout:2Morpheus地址：https://www.vulnhub.com/entry/matrix-breakout-2-morpheus,757/虽然作者提示该靶机最好是在VirtualBox部署，但是经过测试，本靶机在VirtualBox无法启动，更适合导入到Vmware中。识别目标主机IP地址(kali㉿kali)-[~/Desktop/Vulnhub/Matrix_breakout]└─$sudonetdiscover-ieth1-r10.1.1.0/24Currentlyscanning:Fi
MatrixBreakout:2Morpheus靶机信息名称：Matrix-Breakout:2Morpheus地址：https://www.vulnhub.com/entry/matrix-breakout-2-morpheus,757/虽然作者提示该靶机最好是在VirtualBox部署，但是经过测试，本靶机在VirtualBox无法启动，更适合导入到Vmware中。识别目标主机IP地址(kali㉿kali)-[~/Desktop/Vulnhub/Matrix_breakout]└─$sudonetdiscover-ieth1-r10.1.1.0/24Currentlyscanning:Fi
目录1.功能2.架构2.1.imperfect_soc_block_top2.2.ahb_bus_matrix_3x32.3.sram0与sram12.4.ahb2apb_bridge2.5.usart2.6.spi2.7.timer3.逻辑设计3.1.imperfect_soc_block_top3.2.ahb_bus_matrix_3x33.3.sramahb2sramsram3.4.ahb2apb_bridge3.5.usart3.6.spi3.7.timer4.测试这次基于AHB与APB的协议，设计一个片内各组件互联的架构笔记：soc最小系统（软硬件协同仿真）–插桩&hello笔记：F
目录1.功能2.架构2.1.imperfect_soc_block_top2.2.ahb_bus_matrix_3x32.3.sram0与sram12.4.ahb2apb_bridge2.5.usart2.6.spi2.7.timer3.逻辑设计3.1.imperfect_soc_block_top3.2.ahb_bus_matrix_3x33.3.sramahb2sramsram3.4.ahb2apb_bridge3.5.usart3.6.spi3.7.timer4.测试这次基于AHB与APB的协议，设计一个片内各组件互联的架构笔记：soc最小系统（软硬件协同仿真）–插桩&hello笔记：F
靶场搭建靶机下载地址：Matrix-Breakout:2Morpheus~VulnHub直接解压双击ova文件即可使用软件：VMware（可能会出现问题），VirtualBox（此处官方建议使用VirtualBox）难度：中等攻击机：kali信息收集为了方便我直接使用windows上的lansee直接扫描出目标靶机iplansee扫描结果去除已知靶机ip剩下的就是目标靶机192.168.21.134当然需要访问看看访问结果看看源码能出现啥192.168.21.134网页主页源码没有什么有用的看看nmap能看出来啥nmap192.168.21.143nmap简单扫描结果看看端口详细信息nmap-
靶场搭建靶机下载地址：Matrix-Breakout:2Morpheus~VulnHub直接解压双击ova文件即可使用软件：VMware（可能会出现问题），VirtualBox（此处官方建议使用VirtualBox）难度：中等攻击机：kali信息收集为了方便我直接使用windows上的lansee直接扫描出目标靶机iplansee扫描结果去除已知靶机ip剩下的就是目标靶机192.168.21.134当然需要访问看看访问结果看看源码能出现啥192.168.21.134网页主页源码没有什么有用的看看nmap能看出来啥nmap192.168.21.143nmap简单扫描结果看看端口详细信息nmap-
本文结合其他博主的一些介绍总结了dot函数运算过程基本简介dot函数为numpy库下的一个函数，主要用于矩阵的乘法运算，其中包括：向量内积、多维矩阵乘法和矩阵与向量的乘法。1.向量内积向量其实是一维的矩阵，两个向量进行内积运算时，需要保证两个向量包含的元素个数是相同的。例1：importnumpyasnpx=np.array([1,2,3,4,5,6,7])y=np.array([2,3,4,5,6,7,8])result=np.dot(x,y)print(result)输出结果：168计算过程就是将向量中对应元素相乘，再相加所得。即普通的向量乘法运算。2.矩阵乘法运算注意：1.数组的运算是元
本文结合其他博主的一些介绍总结了dot函数运算过程基本简介dot函数为numpy库下的一个函数，主要用于矩阵的乘法运算，其中包括：向量内积、多维矩阵乘法和矩阵与向量的乘法。1.向量内积向量其实是一维的矩阵，两个向量进行内积运算时，需要保证两个向量包含的元素个数是相同的。例1：importnumpyasnpx=np.array([1,2,3,4,5,6,7])y=np.array([2,3,4,5,6,7,8])result=np.dot(x,y)print(result)输出结果：168计算过程就是将向量中对应元素相乘，再相加所得。即普通的向量乘法运算。2.矩阵乘法运算注意：1.数组的运算是元
1.写在前面为什么时隔多年又再做一次混淆矩阵的整理，TMD就是每次用的时候要自己回过头查一遍，老是记不住，为了打好基础，再次进行梳理。2.为什么会有混淆矩阵我们简单的分类衡量模型的好坏，其实正常使用均方误差就行了，如下：E(f;D)=1m∑i=1m(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}(f(x_i)-y_i)^2E(f;D)=m1∑i=1m(f(xi)−yi)2其次就是错误率：E(f;D)=1m∑i=1m∏(f(xi)−yi)2E(f;D)=\frac{1}{m}\sum_{i=1}^{m}\prod(f(x_i)-y_i)^2E(f;D
