edg战队

区块链学习——HyperLedger-Fabric v1.0环境搭建详细过程

旧巷老猫 提交于 2019-12-28 11:27:23
相对于v0.6版本来说,1.0版本改变较大,此处不多说,只是将小白自己搭建1.0环境的过程分享给大家。希望对大家能有所帮助! 这一篇可能对前面的环境搭建会写的有些粗略,如有疑问,可阅读上一篇V0.6版本的环境搭建详细步骤。 一.环境准备 云服务器(CentOS7.2) Go语言环境 docker安装 docker-compose安装 二.环境搭建 2.1 更新yum 保证我们安装的软件包都是最新版本的;升级所有包同时也升级软件和系统内核 yum - y update 2.2 安装Go语言环境 Go中文网: https://studygolang.com/dl 选择Linux系统的’go1.13.5.linux-amd64.tar.gz’下载,使用Xftp上传至 /usr/local 目录下 然后使用以下命令进行解压: tar - zxvf go1 . 13.5 . linux - amd64 . tar . gz 配置环境变量 vim /etc/profile ,在文件开头添加如下内容: export PATH = $PATH : / usr / local / go / bin export GOROOT = / usr / local / go export GOPATH = $HOME / go export PATH = $PATH : $HOME / go / bin

Edge浏览器(Chromium)——从XSS到接管网页

断了今生、忘了曾经 提交于 2019-12-28 06:29:04
微软早前宣布他们将发布基于Chromium的Edge浏览器。继谷歌Chrome之后,微软的Edge将成为第二款基于Chromium的浏览器。 在2019年8月20日,微软宣布了一项新的漏洞奖励 计划 ,主要针对基于Chromium的Edge浏览器。该项目规定,只有针对微软的代码所开发的攻击才能得到赏金,这意味着攻击面非常小。但为了弥补这一点,微软愿意提供了两倍的奖励。这意味着这款新浏览器中一个过审的漏洞可能价值3万美元。 在这篇文章中,我将解释是如何在这个新浏览器中发现3个不同的漏洞,从而赚到4万美元。我还惊喜地发现,我报告了这个项目中第一个有效漏洞。 New Tab Page (NTP) XSS 新标签页(NTP)是打开浏览器或打开新标签时看到的第一个页面。当然也有其他例外,我说的是默认设置下。NTP在新Edge浏览器中的一个独特之处在于它实际上是一个在线网站,地址为: https://ntp.msn.com/edge/ntp?locale=en&dsp=1&sp=Bing 火狐的内置页是 about:home/about:newtab ,Chrome浏览器的是 chrome-search://local-ntp/local-ntp.html 。我们现在必须寻找微软对Chromium所做的新改动,这样才能拿到赏金。 这个漏洞的发现其实是一个意外。当我第一次打开新Edge浏览器时

win10下 Edge和IE浏览器都不能上网,而其他浏览器可以。怎么办?

空扰寡人 提交于 2019-12-26 07:35:04
  1、首先,打开我们电脑上的IE浏览器,或者是edge,两个都可以,只要一个可以上网了,另一个就可以了。  2、然后我们点击浏览器上方的小齿轮状的按钮,在弹出的下拉菜单中选择“internet选项”按钮。  3、Internet选项里面一个有七个选项,我们点击那个“连接”选项。  4、在“连接”选项中,都是浏览器连接互联网的一些设置,我们点击最下面的“局域网设置”按钮,  5、将局域网配置设置为“自动检测设置”,即这个窗口中只在“自动检测设置”前面打对勾,其他的都不管。这样我们的IE浏览器就可以上网了。  6、对于win10系统的edge浏览器的设置,在点击浏览器右上角的弹出框的最下面一行。  7、我们点击“设置”进入之后,再 选择设置窗口最下面的“查看高级设置选项”  8、再点击“打开代理设置”选项。  9、这时我们就进入到系统的代理设置窗口中,我们将“自动检测”设置打开,其他的都关闭,这样Edge就可以访问互联网了。转自http://zhidao.baidu.com/link?url=o9xwOzUqIQ5Vtv6yv-J0fkmIEmeJPW73oOulgP6TotuGE7yi1ZzLea2TnuUeij3LggEWLOhaTfgusMou381cCw_P0INP3Eveh5GW7AEeVjO 来源: https://www.cnblogs.com/ylw666/p

edge不能上网-代码 INET_E_RESOURCE_NOT_FOUND

寵の児 提交于 2019-12-26 07:34:41
这个问题 ,网上有很多解决方法,我基本都测试了一遍,可是我都没有用 情况:首先,我开始的时候是可以用的,然后在公司,开了代理,就不能使用了,这是我之后多次尝试发现的,所以你也遇到和我一样的情况不必惊慌,你可以换个浏览器用呗,这是最简单的, 但是如果你已经很习惯这个浏览器的话,你可能会很纠结,我个人只是觉得好玩,所以花了点时间弄了一下,其实很简单, 然后你配置一下就ok了 来源: https://www.cnblogs.com/yang1com/p/10649918.html

清北学堂(2019 5 2) part 5

这一生的挚爱 提交于 2019-12-25 17:29:18
今天讲图论,顺便搞一搞之前没弄完的前向星dij 1.图的基本概念(课件原话):    G (图) = ( V(点) ; E(边) )   一般来说,图的存储难度主要在记录边的信息   无向图的存储中,只需要将一条无向边拆成两条即可   邻接矩阵:用一个二维数组 edg [ N ][ N ] 表示   edg [ i ][ j ] 就对应由 i 到 j 的边信息   edg [ i ][ j ] 可以记录 Bool ,也可以记录边权   缺点:如果有重边有时候不好处理   空间复杂度 O ( V 2 )   点度(出边入边条数)等额外信息也是很好维护的   模板(传说中的链式前向星/链式存图): #include<bits/stdc++.h> using namespace std; const int N=100; int n,m,s; struct Ed{ int next,dis,to; }ed[N]; int ed_num; int tail[N]; inline void add(int from,int to,int dis){ ed_num++; ed[ed_num].dis=dis; ed[ed_num].to=to; ed[ed_num].next=tail[from]; tail[from]=ed_num; } int main(){ scanf("%d%d%d"

《Distilling the Knowledge in a Neural Network》论文笔记

妖精的绣舞 提交于 2019-12-21 15:37:48
1. 概述 这篇文章是比较早的文章,但是很多后序的工作都是源自于此,文章中提出了使用soft target(文章中说的是softmax层的输出)来实现大的模型到小的模型之间的知识迁移,从而提升小模型的性能。对于这里使用soft target而非hard target(如分类的类别目标),其原因是软目标能够提供更多可供训练的信息,而硬目标则会造成梯度上方差的减小。有了软目标的帮助小的模型能够 更少的参数与更高的学习率 。 对于大模型中软目标的值可能相差很大的情况,如果直接使用大模型中的软目标进行训练将会使得小模型过多关注软目标中的较大值,而忽略了其它的相似性信息,因而文章引入了temperature的概念使得软目标的分布区间变小,从而能够学习到更多的信息。 2. 温度参数 上文说到使用temperature参数加在softmax层上对输出的概率分布进行软化,其对应的数学表达为: q i = e x p ( z i / T ) ∑ j e x p ( z j / T ) q_i=\frac{exp(z_i/T)}{\sum_{j}exp(z_j/T)} q i ​ = ∑ j ​ e x p ( z j ​ / T ) e x p ( z i ​ / T ) ​ 在小的模型训练的时候是加大参数 T T T 的,而在训练完成之后是将T设置回正常值 T = 1 T=1 T = 1 的。

EC-Net: a Edge-aware Point set Consolidation Network

风流意气都作罢 提交于 2019-12-18 06:51:02
Brief Introduction 关于EC-Net 网络的实现,以及相关技术,解决的问题,以及为解决的问题 论文链接: Lequan Yu EC-Net: an Edge-aware ECCV 2018 paper 视频链接: GAMES Webinar 120期李贤芝 (关于 PU-Net ,EC-Net 和 PU-GAN) Detail 这个EC-Net是在基础上提出来的改进网络,目的是为了解决PU-Net在规则物体点云上采样上无法检测边缘,导致物体棱角不平滑,呈现出不规则起伏的缺点。因此,李贤芝她们在这个网络的基础上,加上了一些额外的部分,并且在训练数据上进行了改进,使得网络不仅具有上采样的能力,还可以在这个过程中将规则物体表面上缺失的边缘点进行补充,使得在三维重建的时候可以得到更好的边缘效果,以及更好的表面。 Point Consolidation 是一个对于增强3D重建最终输出的质量来说非常重要的一个过程,可以提高点云表面点集包含的信息量,也就是说,通过point conoslidation我们可以得到一个更加rich的表面,这样有助于我们生成一个具有更多sharp features的重建结果。 EC-Net是在PU-Net的基础上进行的改进,在网络设计上类似,但在特征提取方面都是采用和PU-Net相同的方式来进行提取的,不同的地方在于: 训练数据的准备

Hyperledger Fabric make: *** No rule to make target问题

寵の児 提交于 2019-12-17 04:27:56
Hyperledger Fabric make: *** No rule to make target问题 最近一段时间,改Fabric代码,发现没法编译了!make总是报找不到target! ➜ fabric git: ( master ) ✗ make configtxgen make: *** No rule to make target ` .build/bin/configtxgen', needed by ` configtxgen' . Stop. make 输出debug信息,没有error,只是告诉必须重新make ➜ fabric git: ( master ) ✗ make configtxgen -d .. . Must remake target ` .build/bin/configtxgen'. make: *** No rule to make target ` .build/bin/configtxgen ', needed by `configtxgen' . Stop. ➜ fabric git: ( master ) ✗ 后来,在其他机器上发现,存在.build文件的可以通过编译。 从对应版本的项目中复制fabric/.build过来,就可以编译了。 ➜ fabric git: ( master ) ✗ cp .. /fabric-dev/

UIButton的imageEdgeInsets 和 titleEdgeInsets

安稳与你 提交于 2019-12-16 16:51:16
UIButton的imageEdgeInsets 和 titleEdgeInsets 我们知道,在UIButton中有一个UILabel和一个UIImageView,同时还有属性: titleEdgeInsets,imageEdgeInsets。介绍下 imageEdgeInsets 和 titleEdgeInsets 的用法。 UIEdgeInsets   首先,titleEdgeInsets 和 imageEdgeInsets 都是 UIEdgeInsets类型。UIEdgeInsets 是一个结构体,定义如下: typedef struct UIEdgeInsets { CGFloat top, left, bottom, right; } UIEdgeInsets; 四个值依次是:上、左、下、右,代表的是距离上边界、左边界、下边界、右边界的位移,默认都是0。 示例   首先创建一个button,button有image和title,代码如下: UIButton *searchBtn = [[UIButton alloc] initWithFrame:CGRectMake(50,100,100,50)]; searchBtn.backgroundColor = [UIColor yellowColor]; [self.view addSubview:searchBtn];

论文解读:(TranSparse)Knowledge Graph Completion with Adaptive Sparse Transfer Matrix

社会主义新天地 提交于 2019-12-12 06:27:25
论文解读:(TranSparse)Knowledge Graph Completion with Adaptive Sparse Transfer Matrix   先前的基于深度学习的知识表示模型TransE、TransH、TransR(CTransR)和TransD模型均一步步的改进了知识表示的方法,在完善知识图谱补全工作上逐渐提高效果。通过先前的模型,我们基本掌握了知识表示的学习方法:首先通过投影策略将实体和关系映射到对应的语义空间,其次均使用得分函数 f ( h , t ) = ∣ ∣ h + r − t ∣ ∣ f(h,t)=||h+r-t|| f ( h , t ) = ∣ ∣ h + r − t ∣ ∣ 表示实体对的评分。另外使用负采样生成错误样本进行训练,使得正确的样本得分函数值降低,错误样本的得分函数值升高。然而这些模型均忽略了图谱的两个重要特性: 异质性(heterogeneity) 和 不平衡性(imbalance) 。图谱中的异质性是指不同关系对应的实体对数量不一致,例如对于关系 r r r 链接的所有实体对数量可能非常多,而对于 r ′ r' r ′ 链接的所有实体对数量可能只有1个。不平衡性是指头尾实体的数量不一致,例如形如对于(地名,local,洲名)的三元组,地名可能成千上万个,而洲名只有七个。由于数量的不对等