Hitomi's Note
瞳の笔记

写在博客翻新之后

发布于|# 杂谈

博客终于翻新完了。每次折腾博客都像一次重建,不是换一个模板,就是换一整个框架。不过以前的翻新, 都是引入更多的功能、更花哨的特效,而本次翻新更多是在做减法。 从 Hexo、Hugo 到 Astro 回想 2020 年,那还是 Hexo 的时代。它速度偏慢,可定制性也比较一般,但当时它是我能找到的少数可以直接输出静态 HTML 的工具之一,所以我选择了 Hexo。 后来 Hugo 出现了,基于 Go 实现,速度提升了很多。如今的 Astro 则使用 Rust 实现,构建速度快、可定制性也更强,可以按需接入 React 等框架,还能自定义一些编译选项。对我来说,这次换到 Astro,不只是换个框架,更把整个博客重新搭了一遍。 这次翻新,我选择做减法 这几年前端动效越来越花,当年感觉很炫酷的特效,现在看多了就像肥肉吃多了一样油腻。 而且现在常见的模糊、毛玻璃特效,还有 Live2D 动画,性能开

李宏毅机器学习 (3)误差和梯度下降

发布于|# AI# DeepLearning

Optimization Fails $$ \Delta L(\theta) \approx 0 $$ local minima local maxima saddle point critical point (gradient = 0) $$ L(\theta)\approx L(\theta')+(\theta-\theta')^Tg+\frac12(\theta-\theta')^TH(\theta-\theta') $$ Gradient 梯度消失 Hessian $$ v^THv>0 \Rightarrow L(\theta)>L(\theta')\Rightarrow\texttt{Local minima} $$ $$ v^THv<0 \Rightarrow L(\theta)<L(\theta')\Rightarrow\texttt{Loca

李宏毅机器学习 (2)回归

发布于|# AI# DeepLearning

PyTorch 操作 训练 model.train() # set to train mode optimizer = torch.optim.SGD(model.parameters(), lr = 1e-5, momentum = 0.9) criterion = torch.nn.MSELoss(reduction = "mean") # set loss function train_pbar = tqdm(train_loader, position = 0, leave = True) for x, y in train_pbar: x, y = x.to('cuda'), y.to('cuda') # move data to GPU pred = model(x) # output predict result

李宏毅机器学习 (1)机器学习介绍

发布于|# AI# DeepLearning

机器学习的本质 机器学习 $\approx$ 寻找(拟合)函数 $f(speech/image) = text$ 机器学习的类型 输入量:向量、矩阵(图像)、序列(语音、文字)。 Regression(回归): outputs a scalar. (输入多类数据,输出一个预测值) Classification(预测): given classes, outputs the correct one.(输入多个类型,输出正确的那个分类) Structured Learning(结构化学习): create something with structure (image, document).(根据输入生成图像) 机器学习的训练过程 Function with unknown parameters (构建具有未知参数的函数) $y = b + wx_1$ (Based on

光耦应用笔记

发布于|# 硬件设计

光耦简介 光耦原理 光耦通常被描述为 Transistor Output Optocouplers Photo-Coupler,在芯片的数据手册中通常会写 PHOTOTRANSISTOR 或者 PHOTOCOUPLER。不难看出光耦和三极管有着一定的联系。 光耦类似于一个 NPN 三极管,具有电流放大作用。正因为这个特性,所以有时候会发生一些反直觉的现象。 光耦通用原理图 其中有几点 很重要,需要仔细确认: R1 电阻为限流电阻,为保护光耦,必须外接 360Ω 左右电阻。经过实际测试,300Ω、330Ω、360Ω、470Ω、510Ω 均可以正常工作。 R2 电阻为上拉电阻,也有说法是可以使光耦快速且稳定地进入饱和状态。电阻可以在 1KΩ 左右。经过实际测试,360Ω、1KΩ、4.7KΩ 均可以正常工作。这一项必须根据不同的光耦进行修改。 可以不共电源域,包括 VCC 和 GND 均可

IDA Pro 7.6 SP1 Python 及 Lumina 配置

发布于|# CTF

下载与安装 根据网上泄露的资源,这里下载到的是 IDA Pro 7.6.210427 SP1 x64 + Hexrays, Hexarm & Hexmips Decompilers.7z。 压缩包内有两个文件夹,一个是 Other,另一个是 Software。将 Software 中的内容全部解压出来,IDA 的本体就可以使用了。 Python 配置 修改 IDA 文件 IDA 默认不支持 Python 3.9 版本。在压缩包的 Others 文件夹下有一个 ida76sp1_python39_win 目录。将其中的内容拖动到根目录,会有文件覆盖提示,依次覆盖即可。 下载 Python 本体 不建议使用系统 Python,容易引起环境之间的干扰。而且系统 Python 占用空间非常大,排起错来非常麻烦。 压缩包内并没有放置 Python 的文件,所以需要自行到官网下载。下载时选择

CTF 中绕过 MD5 的特殊字符串

发布于|# CTF# Web

MD5 后以 0e 开头 QNKCDZO s1091221200a s878926199a s214587387a s155964671a 更多参见此处。 二次 MD5 后以 0e 开头 7r4lGXCH2Ksu2JNT3BYM CbDLytmyGm2xQyaLNhWn 770hQgrBOjrcqftrlaZk MD5 后以 ‘or’ 开头 ffifdyop 129581926211651571912466741651878684928

CTF 中的密码学 之 数论

发布于|# CTF# Crypto

模逆 定义 对于一个数 $a$,他在模 $n$ 域下存在一个数 $b$,使得 $(a\times b)\mod n=1$,则称 $b$ 为 $a$ 在模 $n$ 域下的模逆元,即 $a^{-1}=b$ 条件 $a$ 与 $n$ 必须互质,即最大公约数为 $1$。 求法(python) b = gmpy2.invert(a, n) 模运算法则 $(a + b) \mod p = (a \mod p + b \mod p) \mod p$ $(a \times b) \mod p = (a \mod p \times b \mod p) \mod p$ $(a - b) \mod p = (a \mod p - b \mod p ) \mod p$ $((a +b)\mod p \times c) \mod p = ((a \times c) \mod p +

Codeforces Round 740

发布于|# ACM# CodeForces

#include <iostream> using namespace std; int main() { int n, m; cin >> n >> m; int dp[n + 1]; int suff[n + 2]; dp[n] = 1; suff[n] = 1; suff[n + 1] = 0; for (int i = n - 1; i >= 1; i--) { dp[i] = suff[i + 1]; for (int b = 2; b <= n / i; b++) { dp[i] += suff[b * i] - suff[min(n + 1, b * i + b)]; while (dp[i] < 0) dp[i] += m;

Aegisub 简明教程

发布于|# 软件

格式控制符 控制符 作用 \n 只有在 \q2 环境下才表现为 \N ,否则表现为普通空格 \N 换行 \h 非换行空白(NBSP),用于人名等整体 \q <style> 用于设置文字自动换行。 style 作用 0 使每一行尽可能一样长,如果不能,则使首行最长。\n 将表现为普通空格。 1 向一行内放置尽可能多的文字,如果放不下则换行。\n 将表现为普通空格。 2 禁用自动换行,行有可能超出屏幕范围。\n 将表现为 \N。 3 使每一行尽可能一样长,如果不能,则使尾行最长。\n 将表现为普通空格。 字体控制符 斜体 控制符 作用 \i1 启用 \i0 禁用 粗体 控制符 作用 \b1 启用 \b0 禁用 \b <weight> 设置字重。400 常规,