@目录系列文章前言1.实验准备1.12003server的配置1.2xp的配置2.开启Telnet服务2.1xp开启Telnet服务2.22003server开启Telnet服务3.配置2003server上的wireshark3.1点击interface3.2选择ip主机抓包4.xp开始Telnet连接4.1连接失败，不能打开到主机的连接，在端口23：连接失败4.2开始telnet连接4.3输入帐号密码信息4.5成功远控4.6查看抓包5.参考资料总结系列文章提示：转到网络安全专栏，观看更多内容！点我直达-->网络安全专栏前言 写在前面的话：Telnet协议是TCP/IP协议族中的一员，
安装anaconda，进行数据标注1.安装前准备：下好安装包和所需文件https://www.aliyundrive.com/s/XyH2JQ5TjCz提取码:3c2w2.运行anaconda安装包，解压labelimg-master文件3.把resources.py文件放到/labelimg-master/libs下打开工具，运行标注文件1.在开始里找到并打开anacondaprompt软件2.找到这个文件的位置，复制路径3.进入anacondaprompt，输入命令cd复制的路径4.运行labelImg.py文件pythonlabelImg.pylabelimg的使用1.选择ChangeS
@目录系列文章前言1.实验准备1.12003server的配置1.2xp的配置2.开启Telnet服务2.1xp开启Telnet服务2.22003server开启Telnet服务3.配置2003server上的wireshark3.1点击interface3.2选择ip主机抓包4.xp开始Telnet连接4.1连接失败，不能打开到主机的连接，在端口23：连接失败4.2开始telnet连接4.3输入帐号密码信息4.5成功远控4.6查看抓包5.参考资料总结系列文章提示：转到网络安全专栏，观看更多内容！点我直达-->网络安全专栏前言 写在前面的话：Telnet协议是TCP/IP协议族中的一员，
降维，可以用下面这张图来很简单的描述，就是将不同的、复杂的多种树都抽象成最简单的树的描述，也就是我们不关心这棵树长什么样子有什么特别的特征，我们只需要降维，知道它是一棵树即可。维度下降实际上就是找到一个function，使得输入x得到输出z，而输出z的维度要比输入x的维度小。具体有几种方面，下面就先将PCA（主成分分析）PCAPCA认为，function实际上可以看成一个矩阵，即：\[z=Wx\]可以通过一个向量与矩阵的运算来描述这件事。那么当前假设x为二维向量，而要求降到一维的向量z，而w的范数等于1，则可以看成z就是x在w上的投影不同方向的w会导致投影出来的z不一样，因此我们的目标是找到一
前面我们所讲的模型，输入都是一个向量，但有没有可能在某些场景中输入是多个向量，即一个向量集合，并且这些向量的数目并不是固定的呢？这一类的场景包括文字识别、语音识别、图网络等等。那么先来考虑输出的类型，如果对于输入是多个数目不定的向量，可以有以下这几种输出方式：每个向量对应一个输出：输出的数目与输入向量的数目一致，例如下图的词性识别、语调识别、状态识别等等：只有单个输出：这种应用于例如判断一段话的正负面作用、语音辨认说话者等等，如下图：机器自己决定输出多少个结果（seq2seq）：如翻译、语音转文字等等。SequenceLabeling(输入输出数目一致)最简单的思路当然是将每一个向量单独作为一
机器学习就是找到一个我们人类无法写出来的函数来完成各种任务机器学习的任务回归Regression：输出是一个数值例如：预测未来某一个时间PM2.5数值分类Classification：输出是选项例如：输出是否是电子邮件，Alphago输出为棋盘的某一个位置结构化学习StructuredLearning：产生一个有结构的物件，例如产生一篇文章，写一段文字机器学习的步骤Step1、写出一个带有未知参数的函数表达式（FunctionwithUnknownParameters）：选用一个可能的函数表达式(Model)来表达输入与输出的关系，其中的未知参数称为domainknowledgeStep2、D
降维，可以用下面这张图来很简单的描述，就是将不同的、复杂的多种树都抽象成最简单的树的描述，也就是我们不关心这棵树长什么样子有什么特别的特征，我们只需要降维，知道它是一棵树即可。维度下降实际上就是找到一个function，使得输入x得到输出z，而输出z的维度要比输入x的维度小。具体有几种方面，下面就先将PCA（主成分分析）PCAPCA认为，function实际上可以看成一个矩阵，即：\[z=Wx\]可以通过一个向量与矩阵的运算来描述这件事。那么当前假设x为二维向量，而要求降到一维的向量z，而w的范数等于1，则可以看成z就是x在w上的投影不同方向的w会导致投影出来的z不一样，因此我们的目标是找到一
前面我们所讲的模型，输入都是一个向量，但有没有可能在某些场景中输入是多个向量，即一个向量集合，并且这些向量的数目并不是固定的呢？这一类的场景包括文字识别、语音识别、图网络等等。那么先来考虑输出的类型，如果对于输入是多个数目不定的向量，可以有以下这几种输出方式：每个向量对应一个输出：输出的数目与输入向量的数目一致，例如下图的词性识别、语调识别、状态识别等等：只有单个输出：这种应用于例如判断一段话的正负面作用、语音辨认说话者等等，如下图：机器自己决定输出多少个结果（seq2seq）：如翻译、语音转文字等等。SequenceLabeling(输入输出数目一致)最简单的思路当然是将每一个向量单独作为一
机器学习就是找到一个我们人类无法写出来的函数来完成各种任务机器学习的任务回归Regression：输出是一个数值例如：预测未来某一个时间PM2.5数值分类Classification：输出是选项例如：输出是否是电子邮件，Alphago输出为棋盘的某一个位置结构化学习StructuredLearning：产生一个有结构的物件，例如产生一篇文章，写一段文字机器学习的步骤Step1、写出一个带有未知参数的函数表达式（FunctionwithUnknownParameters）：选用一个可能的函数表达式(Model)来表达输入与输出的关系，其中的未知参数称为domainknowledgeStep2、D
本文是跟着李沐老师的论文精度系列进行GNN的学习的，详细链接请见：零基础多图详解图神经网络（GNN/GCN）【论文精读】该论文的标题为《AGentleIntroductiontoGraphNeuralNetworks》，是对GNN的简介。那么论文的第一张图呢把鼠标放上去某一个结点将会表示出该节点的生成过程，可以看到放于Layer1中的某个节点时，它是由Layer2中的多个节点生成，而Layer2中的这些结点又有Layer3的部分节点生成，因此只要层次够深，那么一个节点就可以处理原始大片节点的信息。图这种数据结构在当前随处可见，因此图神经网络如果能够发挥对图这种结构的良好处理能力，将会有很广泛的
