- DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,... DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,...
- KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视... KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视...
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。
- 《强化学习与最优控制》第 5.1-5.3 节 · 无穷阶段强化学习第 4 章建立了无穷阶段 DP 的精确算法（值迭代、策略迭代）。现在放松"精确"和"已知模型"两个假设，进入强化学习的核心：拟合值迭代、Q 学习、DQN。 一、值空间近似的性能界 设定折扣问题，J~\tilde{J}J~ 是 J∗J^*J∗ 的近似，一步前瞻策略：μ~(i)=argminu∑jpij(u)[g(i,u,j)... 《强化学习与最优控制》第 5.1-5.3 节 · 无穷阶段强化学习第 4 章建立了无穷阶段 DP 的精确算法（值迭代、策略迭代）。现在放松"精确"和"已知模型"两个假设，进入强化学习的核心：拟合值迭代、Q 学习、DQN。 一、值空间近似的性能界 设定折扣问题，J~\tilde{J}J~ 是 J∗J^*J∗ 的近似，一步前瞻策略：μ~(i)=argminu∑jpij(u)[g(i,u,j)...
- 《强化学习与最优控制》第 3 章 · 参数化近似策略前展和问题近似都是"每次决策时计算 J~\tilde{J}J~"。参数化近似走了一条不同的路：预先训练一个参数化函数（如神经网络）来近似 J~\tilde{J}J~，运行时只需前向计算。这是现代深度强化学习的基础。 一、近似架构 基本形式J~k(xk,r)=ϕk(xk,r)\tilde{J}_k(x_k, r) = \phi_k(x_k, ... 《强化学习与最优控制》第 3 章 · 参数化近似策略前展和问题近似都是"每次决策时计算 J~\tilde{J}J~"。参数化近似走了一条不同的路：预先训练一个参数化函数（如神经网络）来近似 J~\tilde{J}J~，运行时只需前向计算。这是现代深度强化学习的基础。 一、近似架构 基本形式J~k(xk,r)=ϕk(xk,r)\tilde{J}_k(x_k, r) = \phi_k(x_k, ...
- 《强化学习与最优控制》第 2.3-2.5 节 · 问题近似与 MPC问题近似是值空间近似的第二种途径：不改变求解方法（仍然是 DP），而是把原问题简化为一个更容易求解的近似问题。模型预测控制（MPC）是这种方法在连续空间确定性问题上的典型应用。 一、问题近似的核心思想不是近似 J∗J^*J∗，而是近似原问题本身。原问题 P → 精确 DP → J*（不可行，状态太大）近似问题 ... 《强化学习与最优控制》第 2.3-2.5 节 · 问题近似与 MPC问题近似是值空间近似的第二种途径：不改变求解方法（仍然是 DP），而是把原问题简化为一个更容易求解的近似问题。模型预测控制（MPC）是这种方法在连续空间确定性问题上的典型应用。 一、问题近似的核心思想不是近似 J∗J^*J∗，而是近似原问题本身。原问题 P → 精确 DP → J*（不可行，状态太大）近似问题 ...
- Keras 3 架构解析（二）：神经网络层——从 Layer 抽象到网络组件设计 引言在上一篇文章中，我们介绍了 Keras 3 的基础计算层，包括多后端计算架构、Keras Ops、自动微分、JIT 编译以及数值精度管理等核心机制。基础计算层解决了数学运算如何执行的问题，但仅有张量运算并不足以构建完整的神经网络。一个实际的深度学习模型通常由多个计算单元组成。这些计算单元不仅需要执行数学变... Keras 3 架构解析（二）：神经网络层——从 Layer 抽象到网络组件设计 引言在上一篇文章中，我们介绍了 Keras 3 的基础计算层，包括多后端计算架构、Keras Ops、自动微分、JIT 编译以及数值精度管理等核心机制。基础计算层解决了数学运算如何执行的问题，但仅有张量运算并不足以构建完整的神经网络。一个实际的深度学习模型通常由多个计算单元组成。这些计算单元不仅需要执行数学变...
- 在人工智能的高速演进史中，两条技术路线曾长期处于对立与并行之中。一条是以知识图谱和专家系统为代表的“符号主义”，它擅长逻辑推理、规则推导与可解释性；另一条则是以深度学习和大语言模型为代表的“连接主义”，它凭借海量数据与超大算力在模式识别、语言生成与概率预测上展现出惊人的天赋。然而，随着大模型面临幻觉频发、算力成本陡增以及逻辑推理能力瓶颈等挑战，单靠堆叠参数的“连接主义”逐渐触及墙角。正是在这... 在人工智能的高速演进史中，两条技术路线曾长期处于对立与并行之中。一条是以知识图谱和专家系统为代表的“符号主义”，它擅长逻辑推理、规则推导与可解释性；另一条则是以深度学习和大语言模型为代表的“连接主义”，它凭借海量数据与超大算力在模式识别、语言生成与概率预测上展现出惊人的天赋。然而，随着大模型面临幻觉频发、算力成本陡增以及逻辑推理能力瓶颈等挑战，单靠堆叠参数的“连接主义”逐渐触及墙角。正是在这...
- 在光电子封装、射频微波器件及***电子组装领域，焊料的纯度与尺寸精度直接关联焊点的气密性、抗蠕变能力和长期服役稳定性。广州汉源微电子封装材料有限公司（品牌简称：汉源微电子）长期专注于金锡焊料体系的研发与生产，形成了覆盖共晶焊料、预成型焊料、盖板、焊片及焊带的产品矩阵，为不同封装场景提供材料选择。一、行业对高纯金锡焊料的关键要求金锡合金因其抗蠕变性能、热疲劳性能和气密封装适配性，被应用于光通信... 在光电子封装、射频微波器件及***电子组装领域，焊料的纯度与尺寸精度直接关联焊点的气密性、抗蠕变能力和长期服役稳定性。广州汉源微电子封装材料有限公司（品牌简称：汉源微电子）长期专注于金锡焊料体系的研发与生产，形成了覆盖共晶焊料、预成型焊料、盖板、焊片及焊带的产品矩阵，为不同封装场景提供材料选择。一、行业对高纯金锡焊料的关键要求金锡合金因其抗蠕变性能、热疲劳性能和气密封装适配性，被应用于光通信...
- 一、化妆品行业智能化转型的核心驱动力2026年，全球化妆品行业正经历从"经验与营销驱动"向"科学与价值观驱动"的深刻转型。在消费升级、科技民主化与可持续发展理念的多重作用下，行业已从传统的化学调配模式，进化为融合皮肤生物学、材料科学、合成生物学与数字技术的系统性解决方案产业。据行业研究显示，当前化妆品市场呈现"成分党主导话语、新品爆发式增长、品牌生命周期缩短"的显著特征，消费者对产品功效的科... 一、化妆品行业智能化转型的核心驱动力2026年，全球化妆品行业正经历从"经验与营销驱动"向"科学与价值观驱动"的深刻转型。在消费升级、科技民主化与可持续发展理念的多重作用下，行业已从传统的化学调配模式，进化为融合皮肤生物学、材料科学、合成生物学与数字技术的系统性解决方案产业。据行业研究显示，当前化妆品市场呈现"成分党主导话语、新品爆发式增长、品牌生命周期缩短"的显著特征，消费者对产品功效的科...
- 从大模型到智能体：AI 应用范式的三次跃迁一篇写给技术人的 AI 发展脉络梳理——我们是如何从"预测下一个 Token"走到"让 AI 自己规划并完成任务"的。作者：AI 技术观察者 | 日期：2026-10-27 | 阅读时间：约 12 分钟 引言：每一代人都有自己的"AI 时刻"如果你在 2016 年关注过 AlphaGo 战胜李世石的那一刻，你大概记得那种震撼——一个程序在围棋盘上击... 从大模型到智能体：AI 应用范式的三次跃迁一篇写给技术人的 AI 发展脉络梳理——我们是如何从"预测下一个 Token"走到"让 AI 自己规划并完成任务"的。作者：AI 技术观察者 | 日期：2026-10-27 | 阅读时间：约 12 分钟 引言：每一代人都有自己的"AI 时刻"如果你在 2016 年关注过 AlphaGo 战胜李世石的那一刻，你大概记得那种震撼——一个程序在围棋盘上击...
- AI Agent 为什么比普通聊天机器人更容易产生安全问题聊天机器人答错一道题，通常需要人来判断要不要相信。一个能读文件、执行命令、发送邮件的 AI Agent 判断错了，后果可能已经发生：文件改了，邮件发了，数据也传出去了。这就是两者安全风险最直接的区别。普通聊天机器人主要输出文字，Agent 则把模型接进了实际工作流程。它会根据目标选择工具、读取结果，再决定下一步怎么做。原本停留在回答... AI Agent 为什么比普通聊天机器人更容易产生安全问题聊天机器人答错一道题，通常需要人来判断要不要相信。一个能读文件、执行命令、发送邮件的 AI Agent 判断错了，后果可能已经发生：文件改了，邮件发了，数据也传出去了。这就是两者安全风险最直接的区别。普通聊天机器人主要输出文字，Agent 则把模型接进了实际工作流程。它会根据目标选择工具、读取结果，再决定下一步怎么做。原本停留在回答...
- 《强化学习的数学原理》赵世钰 著 · 第 8 章前面所有算法都是"表格型"的——每个状态（或状态-动作对）存一个值。当状态空间巨大（如 Atari 游戏的像素状态）时，表格存不下。本章引入函数近似，用参数化函数 v^(s,w)\hat{v}(s, w)v^(s,w) 代替表格。 一、从表格到函数 表格方法的局限状态空间太大：围棋 ∼10170\sim 10^{170}∼10170，Atari... 《强化学习的数学原理》赵世钰 著 · 第 8 章前面所有算法都是"表格型"的——每个状态（或状态-动作对）存一个值。当状态空间巨大（如 Atari 游戏的像素状态）时，表格存不下。本章引入函数近似，用参数化函数 v^(s,w)\hat{v}(s, w)v^(s,w) 代替表格。 一、从表格到函数 表格方法的局限状态空间太大：围棋 ∼10170\sim 10^{170}∼10170，Atari...
- 一、引言随着人工智能技术的快速发展，大语言模型的参数规模不断扩大。从数十亿参数到数千亿参数，模型在语言理解、代码生成、逻辑推理和复杂任务处理等方面展现出越来越强的能力。然而，庞大的参数规模也带来了一个现实问题：运行这些模型需要消耗大量计算资源和存储空间。例如，一个拥有70亿参数的大语言模型，如果采用16位浮点数格式存储权重，仅模型参数就需要约14GB的内存。如果模型规模扩大到700亿参数，仅... 一、引言随着人工智能技术的快速发展，大语言模型的参数规模不断扩大。从数十亿参数到数千亿参数，模型在语言理解、代码生成、逻辑推理和复杂任务处理等方面展现出越来越强的能力。然而，庞大的参数规模也带来了一个现实问题：运行这些模型需要消耗大量计算资源和存储空间。例如，一个拥有70亿参数的大语言模型，如果采用16位浮点数格式存储权重，仅模型参数就需要约14GB的内存。如果模型规模扩大到700亿参数，仅...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签