在深度学习中，我们经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。本节将介绍如何使用autograd包来进行自动求梯度的有关操作。 基本概念介绍 1.1 Variable 和 Tensor Variable是 torch.autograd中的数据类型，主要用于封装 Tensor，进行自动求导。 data : 被包装的Tensor grad : data的梯度 grad_fn : 创建 Tensor的 Function，是自动求导的关键 requires_grad：指示是否需要梯度 is_leaf : 指示是否是叶子结点 Pytorch 0.4.0版开始，Variable并入Tensor。 dtype：张量的数据类型，如torch.FloatTensor，torch.cuda.FloatTensor shape：张量的形状，如(64，3，224，224) device：张量所在设备，GPU/CPU Tensor是PyTorch实现多维数组计算和自动微分的关键数据结构。一方面，它类似于numpy的ndarray，用户可以对Tensor进行各种数学运算；另一方面，当设置.requires_grad = True之后，在其上进行的各种操作就会被记录下来，它将开始追踪在其上的所有操作，从而利用链式法则进行梯度传播。完成计算后，可以调用.backward()来完成所有梯度计算。此Tensor的梯度将累积到.grad属性中。 如果不想要被继续追踪，可以调用.detach()将其从追踪记录中分离出来，可以防止将来的计算被追踪，这样梯度就传不过去了。此外，还可以用with torch.no_grad()将不想被追踪的操作代码块包裹起来，这种方法在评估模型的时候很常用，因为在评估模型时，我们并不需要计算可训练参数（requires_grad=True）的梯度。 1.2 Function类 Function是另外一个很重要的类。Tensor和Function互相结合就可以构建一个记录有整个计算过程的有向无环图(Directed Acyclic Graph，DAG)。每个Tensor都有一个.grad_fn属性，该属性即创建该Tensor的Function，就是说该Tensor是不是通过某些运算得到的，若是，则grad_fn返回一个与这些运算相关的对象，否则是None。 我们已经知道PyTorch使用有向无环图DAG记录计算的全过程，那么DAG是怎样建立的呢？DAG的节点是Function对象，边表示数据依赖，从输出指向输入。 每当对Tensor施加一个运算的时候，就会产生一个Function对象，它产生运算的结果，记录运算的发生，并且记录运算的输入。Tensor使用.grad_fn属性记录这个计算图的入口。反向传播过程中，autograd引擎会按照逆序，通过Function的backward依次计算梯度。 1.3 代码示例 创建一个Tensor并设置requires_grad=True: 1 2 3 x = torch.ones(2, 2, requires_grad=True) print(x) print(x.grad_fn) 输出： 1 2 3 tensor([[1., 1.], [1.

JUSTCTF 新生杯 Write Up [TOC] Misc Easy SignIn 题目给出二维码，扫描二维码即可获得Flag Can you see me ? 打开文档为空，全选发现隐藏东西，根据长度判断可能为二进制。 1 2 3 4 5 6 7 8 9 10 11 12 with open("can_you_see_me.txt") as f: str = f.readlines() k = '' for i in str: if len(i)==17: k+='0' elif len(i)==33: k+='1' #注意一个字符长度为32 print(k) print(len(k)) 抽象带师 利用搜索引擎，搜索 emoji密码 https://emojicipher.com/zh-CN PUZZLE 题目给出 240张图片 拼接 1 identify JUST_ZSZZ.jpg #查看图片尺寸 58 * 58 1 montage JUST*.

遗传算法 通过编码、设置种群、设置适应度函数、遗传操作、解码产生需要的解。f(x)=x*sin(x)+1，x[0,2],求f(x)的最大值、最小值。 定义函数 （即 适应度函数） 1 2 3 4 import math import numpy as np import matplotlib.pyplot as plt import random 1 2 def f(x): return x * np.sin(x) + 1 绘制函数图像 1 2 3 4 plt.rc_context({'axes.edgecolor':'orange', 'xtick.color':'green', 'ytick.color':'green', 'figure.facecolor':'white'}) x = np.arange(0,2,0.1) plt.plot(x,f(x)) plt.show() png 随机产生种群 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 def product_origin(population_size, length): """ :population_size: 种群大小, :length: DNA长度 """ population = np.