validation

摘要： CWE在今年2/24发布4.0，首次将硬件安全漏洞纳入了CWE中，6/25发布4.1， 8/20就发布了4.2。 1. 按照惯例，先说故事 我们先说下CWE的幕后老板--MITRE[1]。 MITRE称自己是一家“非赢利组织”，通过联邦资助的研发中心(Federally Funded R&D Centers(FFRDC))运作。目标是为更安全的世界解决问题(we solve problems for a safer world)。 1.1. MITRE的起源 MITRE的历史可以追溯到美、苏二战后的冷战时期。50年代后期，面对苏联核打击的威胁，美国空军呼吁麻省理工学院帮助其建立一个防空系统，以帮助其侦查即将来临的轰炸机。该研究所提出了半自动地面环境（SAGE）系统结合了雷达，无线电和网络通信来检测敌机，对附近的空军基地发出警报并不断更新，这些基地的战机会及时升空拦截即将来临的威胁。SAGE也是美国的第一个现代化防空系统[6]。MITRE的前三个字母MIT就是麻省理工学院的缩写。记得以前的一个法国电影《蛇》(1973)，讲的就是这个历史背景下的故事人员发现苏联制造战略轰炸机剩余的材料，做成了衣架被用到民用航空上，人员就想方设法偷了来，交给实验室分析，厉害的科学家们，通过材料的组成成分，推算出了由此材料制成的轰炸机满载时的航程。有兴趣的朋友可以翻出来看一看

摘要： 本文通过使用Keras及一个预训练模型的实例，教你如何通过迁移学习快速简便地解决图像分类问题。 摘要：如何快速简便地解决图像分类问题呢？本文通过使用Keras及一个预训练模型的实例，教你如何通过迁移学习来解决这个问题。 深度学习 正在迅速成为人工智能应用开发的主要工具。在计算机视觉、自然语言处理和语音识别等领域都已有成功的案例。 深度学习擅长解决的一个问题是 图像分类 。图像分类的目标是根据一组合理的类别对指定的图片进行分类。从深度学习的角度来看，图像分类问题可以通过 迁移学习 的方法来解决。 本文介绍了如何通过迁移学习来解决图像分类的问题。 本文中所提出的实现方式是基于Python语言的Keras。 本文结构: 1）迁移学习 2）卷积神经网络 3）预训练模型的复用 4）迁移学习过程 5）深度卷积神经网络上的分类器 6）示例 7）总结 1、迁移学习 迁移学习在计算机视觉领域中是一种很流行的方法，因为它可以 建立精确的模型，耗时更短 。利用迁移学习，不是从零开始学习，而是从之前解决各种问题时学到的模式开始。这样，你就可以利用以前的学习成果(例如VGG、 Inception、MobileNet)，避免从零开始。我们把它看作是站在巨人的肩膀上。 在计算机视觉领域中，迁移学习通常是通过使用 预训练模型 来表示的。预训练模型是在大型基准数据集上训练的模型，用于解决相似的问题

最近重刷了一下React官方文档 关于表单的内容 ，在结尾处，官方讨论成熟的react社区表单库时 钦点 了Formik，引起了我的注意。 If you’re looking for a complete solution including validation, keeping track of the visited fields, and handling form submission, Formik is one of the popular choices React官方钦点库，不学留着当寒假作业吗？ 通读了一遍 Formik 的官方文档 ，上手在项目中试用了一下，大喜！ —— ”这个表单库也太优秀了吧！“ 我个人认为优秀的第三方库需要符合四个标准，Formik都完美地满足了。 一，友好的文档 Formik 的官方文档 的友好程度简直让人惊喜。 首先是 overview 简要阐述了Formik作者的创作动机，基本的安装流程，还有 hello world的试玩环境（playground），以及几段基础的示例代码 但是更令我惊喜的是第二章 tutorial 。这一章，以创建一个完整且复杂的 新闻订阅注册表单 为例，一步步地“手把手”地教读者使用 Formik。由最基础的表单功能，到验证功能，到只追踪 修改过的项；接着，又以优化代码（减少样板代码）为由进一步介绍了

台湾大学林轩田机器学习基石课程学习笔记15 -- Validation 上节课我们主要讲了为了避免overfitting，可以使用regularization方法来解决。在之前的Ein上加上一个regularizer，生成Eaug，将其最小化，这样可以有效减少模型的复杂度，避免过拟合现象的发生。那么，机器学习领域还有许多选择，如何保证训练的模型具有良好的泛化能力？本节课将介绍一些概念和方法来解决这个选择性的问题。 1 Model Selection Problem 机器学习模型建立的过程中有许多选择，例如对于简单的二元分类问题，首先是算法A的选择，有PLA，pocket，linear regression，logistic regression等等；其次是迭代次数T的选择，有100，1000,10000等等；之后是学习速率η的选择，有1，0.01,0.0001等等；接着是模型特征转换Φ的选择，有linear，quadratic，poly-10，Legendre-poly-10等等；然后是正则化regularizer的选择，有L2，L1等等；最后是正则化系数λ的选择，有0，0.01，1等等。不同的选择搭配，有不同的机器学习效果。我们的目标就是找到最合适的选择搭配，得到一个好的矩g，构建最佳的机器学习模型。 假设有M个模型，对应有H1,H2,⋯,HM，即有M个hypothesis

回顾：NLayerAppV3是一个使用.net 2.1实现的经典DDD的分层架构的项目。 NLayerAppV3是在NLayerAppV2的基础上，使用.net core2.1进行重新构建的；它包含了开发人员和架构师都可以重用的DDD层。 Github地址： https://github.com/cesarcastrocuba/nlayerappv3 NLayerAppV3的基础结构层一共分为两个部分。处理数据相关的基础组件和Cross-Cutting的基础组件。 处理数据相关的基础组件主要包含UOW和仓储的实现； Cross-Cutting的基础组件目前主要包含数据适配器、国际化、验证； 本节我们主要介绍Cross-Cutting的基础组件。 这部分相关的项目主要有两个Infrastructure.Crosscutting和Infrastructure.Crosscutting.NetFramework。 Infrastructure.Crosscutting封装了数据适配器、国际化、验证相关的接口； Infrastructure.Crosscutting.NetFramework包含了Infrastructure.Crosscutting中相关契约的实现； 1、Infrastructure.Crosscutting --Adapter数据适配器