iiprogram
iiprogram

Phrack 64#

No, nothing is or was ever lost. Things change, security becomes a business, some hackers sell exploits, others post for fame, but Phrack is here, totally free, for the community. No business, no industry, no honey, baby. Only FREEDOM and KNOWLEDGE.

 No, Phrack is not dead. And will never die.
Long live to PHRACK.http://download1.csdn.net/down3/20070625/25110817282.gz 

你可能感兴趣的:(Phrack 64#)

  • BERT训练环节（代码实现） Hiweir · NLP自然语言处理理论与算法BERTbert深度学习人工智能python机器翻译自然语言处理pytorch
    1.代码实现#导包importtorchfromtorchimportnnimportdltools#加载数据需要用到的声明变量batch_size,max_len=1,64#获取训练数据迭代器、词汇表train_iter,vocab=dltools.load_data_wiki(batch_size,max_len)#其余都是二维数组#tokens,segments,valid_lens（一维）
  • pytorch的使用：卷积神经网络模块 樱花的浪漫 pytorchcnnpytorch深度学习计算机视觉
    1.读取数据分别构建训练集和测试集（验证集）DataLoader来迭代取数据使用transforms将数据转换为tensor格式#定义超参数input_size=28#图像的总尺寸28*28num_classes=10#标签的种类数num_epochs=3#训练的总循环周期batch_size=64#一个撮（批次）的大小，64张图片#训练集train_dataset=datasets.MNIST(
  • python笔记1 lu_32 python
    1.计算面积与周长：r=8s=r*rprint("面积是")print(s)z=r+r+r+rprint("周长是")print(z)#面积是#64#周长是#322.输入圆的半径，计算出圆的面积和周长：r=input("请输入半径：")r=float(r)s=3.14*r*rprint("圆的面积：",s)r=input("请输入圆的半径")r=int(r)s=3.14*r*rprint("圆的半
  • 一个基于LSTM的字符级文本生成模型的训练+使用(pytorch) 一只小铁柱 lstmpytorch人工智能
    一、代码实现1.配置文件config.pyimporttorch#设备配置DEVICE=torch.device('cuda'iftorch.cuda.is_available()else'cpu')#超参数和配置SEQ_LENGTH=100#输入序列长度BATCH_SIZE=64#批大小EMBEDDING_DIM=256#嵌入层维度HIDDEN_SIZE=512#LSTM隐藏层大小NUM_LAY
  • YashanDB物理规格 数据库
    本文内容来自YashanDB官网，原文内容请见https://doc.yashandb.com/yashandb/23.3/zh/%E4%BA%A7%E5%93%81%...#数据库规格名称规格类型规格值控制文件数量最小值2控制文件数量默认值建库默认不指定时控制文件为3个控制文件数量最大值8数据块大小最大值32KB支持8KB、16KB、32KB块大小数据块大小默认值8KB实例个数最大值64#表空间
  • IPv6获取有状态、无状态地址配置实例 y者也 网络
    SW-1配置IPv6地址，使用相关特性实现销售业务的IPv6终端可自动从网关处获得IPv6有状态地址servicedhcpv6#开启dhcpv6地址下发ipv6dhcppoolyf#配置dhcpv6地址池network-address2001:80:10::64#下发地址池intvlan10ipv6address2001:80:10::254/64#手动配置ipv6地址ipv6ndmanaged-
  • vmware fusion 在此主机上不支持嵌套虚拟化。_从虚拟机逃逸看kvmqemu虚拟化安全防御... weixin_39719729 vmwarefusion在此主机上不支持嵌套虚拟化。VM虚拟机中localhostlogin
    注：不知道是出于啥原因，很少找到对虚拟化安全防御相关的中文资料，去年很想写这个话题，但我家三星笔记本uefi硬是没法关闭导致无法从硬盘安装双系统又加上virtualbox不支持vt-x嵌套(试了N种方法未成)，当然我也没有u盘，故在看完phrack上经典的vmescape文章后留下遗憾，然最近打开一年未开机的笔记本竟然发现解锁版vmware完美支持vt-x嵌套，经过一顿实验后，决定写写这个久违又很
  • 5.vgg16网络模块的实现 YANQ662 python开发语言
    代码如下：fromtorchimportnnimporttorchclassVGG16(nn.Module):def__init__(self,num_classes=1000):super(VGG16,self).__init__()layers=[]indim=3outdim=64#构造卷积结构，一共有13层foriinrange(13):layers+=[nn.Conv2d(indim,ou
  • 无状态自动配置 DHCPv6无状态配置 DHCPv6有状态配置 老穆雷 网络
    1、无状态自动配置配置命令AR1ipv6#开启路由器ipv6报文转发功能interfaceGigabitEthernet0/0/0ipv6enable#开启路由器接口IPv6报文转发功能ipv6addressFC01::1/64#配置接口的全球单播IPv6地址undoipv6ndrahalt#开启发送RA报文，默认是关闭的AR2ipv6interfaceGigabitEthernet0/0/0ip
  • Unity ML-Agents默认接口参数含义 DWQY Unityunity
    下面的含义就是训练中常用的yaml文件：behaviors:waffle:trainer_type:ppo#训练器类型，默认ppo。还有sac和pocahyperparameters:batch_size:64#梯度下降每次迭代的经验数。应确保该值总是比buffer_size小几倍。在使用连续动作的情况下，该值应该很大（≈1000s），若只使用离散动作，该值应该更小（≈10s）。常用取值范围：Co
  • dl----yolov4网络解析 mmd_0912 YOLO深度学习人工智能
    yolov4关键参数：[net]batch=64#所有的图片分成all_num/batch个批次，每batch个样本(64)更新一次参数，尽量保证一个batch里面各个类别都能取到样本subdivisions=64#决定每次送入显卡的图片数目batch/subdivisionswidth=608#送入网络的图片宽度height=608#送入网络的图片高度channels=3#送入网络的图片通道数m
  • 卷积神经网络1完全解析 db13cf62b4e3
    #coding:utf-8importtensorflowastfIMAGE_SIZE=28#图片分辨率28*28NUM_CHANNELS=1#图片通道数CONV1_SIZE=5#第一层卷积核大小5CONV1_KERNEL_NUM=32#第一层卷积核个数CONV2_SIZE=5#第二层卷积核大小5CONV2_KERNEL_NUM=64#第二层卷积核个数FC_SIZE=512#第一层为512个神经元
  • darknet 框架中.cfg文件的参数详解，以yolov3为例 乜乜么么哒 神经网络神经网络
    参考：darknet中cfg文件里参数的理解_zerojava0的博客-CSDN博客参考：【Darknet源码】cfg文件参数详解_橘子都吃不起！的博客-CSDN博客1.基础参数解释batch=64#网络积累多少样本进行一次BP，训练模型一般选择大于32的2的n次方检测时，batch=1;subdivisions=4#表示将一个batch的图分为4次完成网络的前向传播。可更改，在darknet中，
  • 关于返回值超出范围的解决测试 夜间出没的AGUI 人工智能问题python人工智能python
    加载CNN数据超出CNN数据范围时-问答-Python中文网按照上面的文章，应该修改以下代码的kernel_numkernel_num=64#卷积核数model=text_cnn(seq_length=seq_length,#初始化模型vocab_size=vocab_size,embedding_dim=embedding_dim,num_cla=num_classes,kernel_num=k
  • pytorch简单易懂实现mnist数据集的显示和分类 图图的编程生涯 可视化神经网络深度学习人工智能pytorch
    1.mnist手写数据集的下载importtorchimporttorchvisionimportmatplotlib.pyplotaspltimporttorch.nnasnnfromtorch.autogradimportVariableimporttorch.utils.dataasDatatorch.manual_seed(1)EPOCH=1#训练整批数据多少次BATCH_SIZE=64#
  • yolo v3配置文件说明模型配置文件——cfg/yolov3-voc.cfg studyer_domi 深度学习yolov3配置文件cfgyolov3-voc.cfg
    batch=64#一批训练样本的样本数量，每batch个样本更新一次参数subdivisions=32#它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iterationwidth=416#只可以设置成32的倍数height=416#只可以设置成32的倍数channels=3#若为灰度图，则chennels=1
  • CNN案例：手写数字识别 所追寻的风 计算机视觉
    1.超参数定义importtorchimporttorchvisionfromtorch.utils.dataimportDataLoader#训练次数n_epochs=3#一次训练的图片数batch_size_train=64#一次测试的图片数batch_size_test=1000#学习率learning_rate=0.01momentum=0.5log_interval=10#随机数种子，保
  • 深度学习笔记（3）——pytorch+TextCNN实现情感分类（外卖数据集） 热爱旅行的小李同学 #深度学习人工智能深度学习pytorch分类自然语言处理卷积神经网络
    文章目录0前言1数据准备1.1常量1.2加载数据集2数据预处理3文本表示4TextCNN模型5模型训练6模型评估7总览8完整代码0前言使用数据集：某外卖数据集，共有11987条数据，标签数为2。配置环境：Rtx3060Laptop1数据准备1.1常量包括batch_size、epochs、textcnn的滑动窗口大小、隐藏层、特征的大小、标签类别数等。#超参数BATCH_SIZE=64#批次大小E
  • YoloV3学习笔记（四）——cfg解读 聪 ~smart YOLOV3pytorch深度学习
    YoloV3学习笔记（四）YoloV3学习笔记（四）——cfg解读一、cfg文件二、最难理解部分三、总结YoloV3学习笔记（四）——cfg解读一、cfg文件[net]#Testing#初始batch参数要分为两类，分别为训练集和测试集，不同模式相应放开参数#batch=1#subdivisions=1#Trainingbatch=64#一批样本的样本数量，每batch个样本更新一次参数subdi
  • 深度学习入门——手写数字识别MINIST数据集 SinsNeverDie 深度学习pytorch神经网络
    #1加载必要的库importtorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.optimasoptimfromtorchvisionimportdatasets,transforms#2定义超参数hyperparameterBATCH_SIZE=64#每批处理的数据DEVICE=torch.device("cuda"ift
  • Pytorch实战——MNIST数据集手写数字识别 Sol-itude Pytorch学习pytorch深度学习python
    原视频链接：轻松学Pytorch手写字体识别MNIST1.加载必要的库#1加载必要的库importtorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.optimasoptimfromtorchvisionimportdatasets,transforms2.定义超参数#2定义超参数BATCH_SIZE=64#每次训练的数据的
  • Mnist手写数字识别进阶：多层神经网络应用（续） MYH永恒 机器学习与深度学习神经网络tensorflow深度学习python人工智能
    在上一节中，构建了多层神经网络来对Mnist手写数字进行识别，但是我们也只设置了一个隐藏层，为了是我们的模型准确可以达到更高，其实我们可以多写几个隐藏层，那么这里我们就再加入一个隐藏层。目录构建模型附：完整代码主要做出的修改就是构建神经网络的部分，多加入一层隐藏层。构建模型#构建隐藏层H1_NN=256#第1隐藏层神经元数量H2_NN=64#第2隐藏层神经元数量#输入层-第1隐藏层参数和偏置项w1
  • pytorch 实现MNIST数据集建立及训练 MrTrinh Pytorch例程pytorchpython
    文章主要包含：官方数据集导入、自定义数据集，自定义网络结构，训练，训练后的模型使用头文件导入importtorchimporttorchvisionimporttorchsummaryimportosimportnumpyasnpimportmatplotlib.pyplotasplt常量定义BATCH_SIZE=64#图像行列像素数量IMAGE_ROW=28IMAGE_COL=28#数据根路径D
  • 经典转载 - 缓冲区溢出的原理和实践(Phrack) weixin_33968104 shell操作系统c/c++
    简介在过去的几个月中,被发现和利用的缓冲区溢出漏洞呈现上升趋势.例如syslog,splitvt,sendmail8.7.5,Linux/FreeBSDmount,Xtlibrary,at等等.本文试图解释什么是缓冲区溢出,以及如何利用.汇编的基础知识是必需的.对虚拟内存的概念,以及使用gdb的经验是十分有益的,但不是必需的.我们还假定使用Intelx86CPU,操作系统是Linux.在开始之前我
  • 《Smashing The Stack For Fun And Profit》解读 hhzzk
    堆栈溢出攻击是黑客攻击中最常用的攻击手段，臭名昭著的Morrisworm是世界上第一个用到堆栈溢出攻击的病毒，据统计在1988年破坏了6000台主机。而在8年之后的1996年，AlphaOne通过发表在Phrack杂志上的论文“SmashingTheStackForFunAndProfit”让堆栈溢出攻击的原理公开，从此这一攻击手法变成了黑客“入门级别”。因为课程安排要求读这个paper，所以逐段
  • 针对TCP SYN洪泛攻击的防御 mypop 网络通信
    尽管这种攻击已经出现了十四年，但它的变种至今仍能看到。虽然能有效对抗SYN洪泛的技术已经存在，但是没有对于TCP实现的一个标准的补救方法出现。你可以在如今的操作系统和设备中找到保护应用层和网络层的不同解决方案的不同实现。本篇论文详细描述这种攻击并展望和评估现在应用于终端主机和网络设备的对抗SYN洪泛方法。1基本的漏洞SYN洪泛攻击首次出现在1996年。当时Phrack杂志中描述了这种攻击并用代码实
  • windows溢出保护原理与绕过方法概览 西电小西 逆向
    前言从20世纪80年代开始，在国外就有人开始讨论关于溢出的攻击方式。但是在当时并没有引起人们的注意，直至后来经一些研究人员的披露后，特别是著名黑客杂志Phrack上面关于溢出的经典文章，引领许多人步入溢出研究的行列，从此关于缓冲区溢出的问题才为人们所重视。随着溢出研究的深入，网上开始出现很多关于溢出攻击教程，揭露了许多溢出利用技术，特别是经典的call/jmpesp，借此溢出攻击案例层出不穷。这也
  • text_cnn:文本分类实战（二）参数设置和构建网络 tlxxd
    文章目录CNN实战CNN用的是tf.layers.conv1d模型模块用来搭建神经网络。实战之前在一章完成了数据处理部分，可以将文本转换成等大小的图片格式的矩阵，标签可以转换成数字后再one-hot显示classTCNNconfig(object)：#CNN配置参数n_dim=64#嵌入维度也就是以词为单位的维度（大白话：词变成长度为64的数字向量）seg_length=300#有300个词矩阵就
  • Phrack最新公布的内核态RootKit的技术细节(e文) xfreeboy 黑客技术
    Phrack最新公布的内核态RootKit的技术细节提交人：lance==PhrackInc.==Volume0x0b,Issue0x3e,Phile#0x06of0x10|=---------------=[Kernel-modebackdoorsforWindowsNT]=--------------=||=-------------------------------------------
  • 用CNN卷积神经网络进行人脸识别 旧梦如烟 深度学习之Keras
    1：对数据的处理class类#-*-coding:utf-8-*-importosimportsysimportnumpyasnpimportcv2IMAGE_SIZE=64#按照指定图像大小调整尺寸defresize_image(image,height=IMAGE_SIZE,width=IMAGE_SIZE):top,bottom,left,right=(0,0,0,0)h,w,_=image
  • ASM系列六 利用TreeApi 添加和移除类成员 lijingyao8206 jvm动态代理ASM字节码技术TreeAPI
        同生成的做法一样，添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子，下面这个Task类，我们来移除isNeedRemove方法，并且添加一个int 类型的addedField属性。   package asm.core; /** * Created by yunshen.ljy on 2015/6/
  • Springmvc-权限设计 bee1314 springWebjsp
    万丈高楼平地起。 权限管理对于管理系统而言已经是标配中的标配了吧，对于我等俗人更是不能免俗。同时就目前的项目状况而言，我们还不需要那么高大上的开源的解决方案，如Spring Security，Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。 目标： 1.实现权限的管理（CRUD） 2.实现部门管理 （CRUD) 3.实现人员的管理 （CRUD） 4.实现部门和权限
  • 算法竞赛入门经典（第二版）第2章习题 CrazyMizzz c算法
    2.4.1 输出技巧 #include <stdio.h> int main() { int i, n; scanf("%d", &n); for (i = 1; i <= n; i++) printf("%d\n", i); return 0; } 习题2-2 水仙花数(daffodil
  • struts2中jsp自动跳转到Action 麦田的设计者 jspwebxmlstruts2自动跳转
    1、在struts2的开发中，经常需要用户点击网页后就直接跳转到一个Action，执行Action里面的方法，利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action（不是专业人士）   2、＜jsp:forward page="xxx.action" /＞ ，这个标签可以实现跳转，page的路径是相对地址,不同与jsp和j
  • php 操作webservice实例 IT独行者 PHPwebservice
    首先大家要简单了解了何谓webservice，接下来就做两个非常简单的例子，webservice还是逃不开server端与client端。我测试的环境为：apache2.2.11 php5.2.10做这个测试之前，要确认你的php配置文件中已经将soap扩展打开，即extension=php_soap.dll; OK 现在我们来体验webservice //server端 serve
  • Windows下使用Vagrant安装linux系统 _wy_ windowsvagrant
    准备工作： 下载安装 VirtualBox ：https://www.virtualbox.org/ 下载安装 Vagrant ：http://www.vagrantup.com/ 下载需要使用的 box ： 官方提供的范例：http://files.vagrantup.com/precise32.box 还可以在 http://www.vagrantbox.es/ 
  • 更改linux的文件拥有者及用户组(chown和chgrp) 无量 clinuxchgrpchown
    本文（转） http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/ http://ydlmlh.iteye.com/blog/1435157 一、基本使用： 使用chown命令可以修改文件或目录所属的用户：        命令
  • linux下抓包工具 矮蛋蛋 linux
    原文地址： http://blog.chinaunix.net/uid-23670869-id-2610683.html tcpdump -nn -vv -X udp port 8888 上面命令是抓取udp包、端口为8888 netstat -tln 命令是用来查看linux的端口使用情况 13 . 列出所有的网络连接 lsof -i 14. 列出所有tcp 网络连接信息 l
  • 我觉得mybatis是垃圾！：“每一个用mybatis的男纸，你伤不起” alafqq mybatis
    最近看了  每一个用mybatis的男纸，你伤不起 原文地址 ：http://www.iteye.com/topic/1073938 发表一下个人看法。欢迎大神拍砖； 个人一直使用的是Ibatis框架，公司对其进行过小小的改良； 最近换了公司，要使用新的框架。听说mybatis不错；就对其进行了部分的研究； 发现多了一个mapper层；个人感觉就是个dao；
  • 解决java数据交换之谜 百合不是茶 数据交换
    交换两个数字的方法有以下三种 ，其中第一种最常用   /* 输出最小的一个数 */ public class jiaohuan1 { public static void main(String[] args) { int a =4; int b = 3; if(a<b){ // 第一种交换方式 int tmep =
  • 渐变显示 bijian1013 JavaScript
    <style type="text/css"> #wxf { FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98); height: 25px; } </style>
  • 探索JUnit4扩展：断言语法assertThat bijian1013 java单元测试assertThat
    一.概述         JUnit 设计的目的就是有效地抓住编程人员写代码的意图，然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今，版本不停的翻新，但是所有版本都一致致力于解决一个问题，那就是如何发现编程人员的代码意图，并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
  • 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}} bit1129 gson
      如何把如下简单的JSON字符串反序列化为Java的POJO对象? {"data":{"IM":["MSN","QQ","Gtalk"]}}   下面的POJO类Model无法完成正确的解析：   import com.google.gson.Gson;
  • 【Kafka九】Kafka High Level API vs. Low Level API bit1129 kafka
    1. Kafka提供了两种Consumer API High Level Consumer API Low Level Consumer API(Kafka诡异的称之为Simple Consumer API，实际上非常复杂) 在选用哪种Consumer API时，首先要弄清楚这两种API的工作原理，能做什么不能做什么，能做的话怎么做的以及用的时候，有哪些可能的问题  
  • 在nginx中集成lua脚本：添加自定义Http头，封IP等 ronin47 nginx lua
    Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言，从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器，但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com Google把子域名当作完全独立的网站，我们不希望爬虫抓取子域名的页面，降低我们的Page rank。 location /{
  • java-归并排序 bylijinnan java
    import java.util.Arrays; public class MergeSort { public static void main(String[] args) { int[] a={20,1,3,8,5,9,4,25}; mergeSort(a,0,a.length-1); System.out.println(Arrays.to
  • Netty源码学习-CompositeChannelBuffer bylijinnan javanetty
    CompositeChannelBuffer体现了Netty的“Transparent Zero Copy” 查看API（ http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description） 可以看到，所谓“Transparent Zero Copy”是通
  • Android中给Activity添加返回键 hotsunshine Activity
    // this need android:minSdkVersion="11" getActionBar().setDisplayHomeAsUpEnabled(true); @Override public boolean onOptionsItemSelected(MenuItem item) {
  • 静态页面传参 ctrain 静态
    $(document).ready(function () { var request = { QueryString : function (val) { var uri = window.location.search; var re = new RegExp("" + val + "=([^&?]*)", &
  • Windows中查找某个目录下的所有文件中包含某个字符串的命令 daizj windows查找某个目录下的所有文件包含某个字符串
    findstr可以完成这个工作。   [html]  view plain copy   >findstr /s /i "string" *.*   上面的命令表示，当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
  • 改善程序代码质量的一些技巧 dcj3sjt126com 编程PHP重构
    有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点，程序你只写一次，但以后会无数次的阅读。当你第二天回头来看你的代码 时，你就要开始阅读它了。当你把代码拿给其他人看时，他必须阅读你的代码。因此，在编写时多花一点时间，你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧：    尽量保持方法简短    尽管很多人都遵
  • SharedPreferences对数据的存储 dcj3sjt126com
    SharedPreferences简介：                                                   &nbs
  • linux复习笔记之bash shell (2) bash基础 eksliang bashbash shell
    转载请出自出处： http://eksliang.iteye.com/blog/2104329 1.影响显示结果的语系变量（locale）  1.1locale这个命令就是查看当前系统支持多少种语系，命令使用如下： [root@localhost shell]# locale LANG=en_US.UTF-8 LC_CTYPE="en_US.UTF-8"
  • Android零碎知识总结 gqdy365 android
    1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。 所以最后得出结论：CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里，比如缓存。发生修改时候做copy，新老版本分离，保证读的高
  • HoverTree.Model.ArticleSelect类的作用 hvt Web.netC#hovertreeasp.net
    ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类，用于存放查询文章时的条件，例如HvtId就是文章的id。HvtIsShow就是文章的显示属性，当为-1是，该条件不产生作用，当为0时，查询不公开显示的文章，当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放，开发环境为Visual Studio 2013
  • PHP 判断是否使用代理 PHP Proxy Detector 天梯梦 proxy
    1. php 类 I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
  • apache的math库中的回归——regression（翻译） lvdccyb Mathapache
    这个Math库，虽然不向weka那样专业的ML库，但是用户友好，易用。 多元线性回归，协方差和相关性（皮尔逊和斯皮尔曼），分布测试（假设检验，t，卡方，G），统计。   数学库中还包含，Cholesky，LU，SVD，QR，特征根分解，真不错。   基本覆盖了：线代，统计，矩阵， 最优化理论 曲线拟合 常微分方程 遗传算法（GA）， 还有3维的运算。。。
  • 基础数据结构和算法十三：Undirected Graphs (2) sunwinner Algorithm
      Design pattern for graph processing. Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
  • 云计算平台最重要的五项技术 sumapp 云计算云平台智城云
    云计算平台最重要的五项技术 1、云服务器 云服务器提供简单高效，处理能力可弹性伸缩的计算服务，支持国内领先的云计算技术和大规模分布存储技术，使您的系统更稳定、数据更安全、传输更快速、部署更灵活。 特性 机型丰富 通过高性能服务器虚拟化为云服务器，提供丰富配置类型虚拟机，极大简化数据存储、数据库搭建、web服务器搭建等工作； 仅需要几分钟，根据CP
  • 《京东技术解密》有奖试读获奖名单公布 ITeye管理员 活动
    ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。  12月试读活动回顾： http://webmaster.iteye.com/blog/2164754 本次技术图书试读活动获奖名单及相应作品如下： 一等奖（两名） Microhardest：http://microhardest.ite
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他