function JINXOmRCEC() {     for($N=0;$N<24;$N++) {    GEtV();     echo 'xxnHwumFrQWvdkWaLzA'; }  } function dxGWimwPy() {     for($e=0;$e<26;$e++) {    zX($tMoJD);     echo 'saEAvSpTdMOd'; }  } function xoxSld() {     for($UEwg=0;$UEwg<32;$UEwg++) {    Uvp();     echo 'eSbhBZNxXZXdr'; }  } 

强化学习笔记2-Python/OpenAI/TensorFlow/ROS-程序指令TensorFlowTensorFlow是Google的一个开源软件库，广泛用于数值计算。它使用可在许多不同平台上共享和执行的数据流图。

它被广泛用于构建深度学习模型，这是机器学习的一个子集。张量只不过是一个多维数组，所以当我们说TensorFlow时，它实际上是计算图中的多维数组（张量）流。安装Anaconda后，安装TensorFlow变得非常简单，直接安装tensorflow也非常简单。无论您使用何种平台，都可以通过键入以下命令轻松安装tensorflow。

conda install -c conda-forge tensorflow

或

pip install --user tensorflow

pip3 install --user tensorflow

如需GPU支持，需要-gpu。

运行以下hello world程序即可检查成功的tensorflow安装。

import warningswarnings.filterwarnings('ignore')import tensorflow as tfhello=tf.constant("Hello World")sess=tf.Session()print(sess.run(hello))显示结果如下：

b'Hello World'

变量Variables、常量Constants、占位符Placeholders变量，常量，占位符是TensorFlow的基本要素。 但是，这三者之间总是存在混淆。 让我们逐个看到每个元素，并了解它们之间的区别。

变量变量是用于存储值的容器。 变量将用作计算图中其他几个操作的输入。 我们可以使用tf.Variable（）函数创建tensorflow变量。 在下面的示例中，我们使用随机正态分布中的值定义变量，并将其命名为权重。

weights=tf.Variable(tf.random_normal([8, 9], stddev=0.1), name="weights")

但是，在定义变量之后，我们需要使用tf.global_variables_initializer（）方法显式创建初始化操作，该方法将为变量分配资源。

常量

常量与变量不同，它们的值不能改变。它们被分配了值，它们无法在整个过程中更改。 我们可以创建常量使用tf.constant（）函数。

x=tf.constant(666)

占位符

将占位符视为一个变量，您只需定义类型和维度不分配价值。 占位符定义为没有值。 占位符的值将在运行时提供。 占位符有一个名为shape的可选参数指定数据的维度。 如果形状设置为none，那么我们可以提供任何数据运行时的大小。 可以使用tf.placeholder（）函数定义占位符

x=tf.placeholder("float", shape=None)

简单来说，我们使用tf.variable来存储数据，使用tf.placeholder来提供外部数据。

计算图（ROS中也有这个概念）Computation GraphTensorFlow中的所有内容都将表示为由节点和边组成的计算图，其中节点是数学运算，例如加法，乘法等。边是张量。 计算图在优化资源方面非常有效，并且还促进了分布式计算。

假设我们有节点B，其输入依赖于节点A的输出，这种类型的依赖性称为直接依赖：

A=tf.multiply(8,5)B=tf.multiply(A,1)

当节点B不依赖于节点A进行输入时，它被称为间接依赖：

A=tf.multiply(8,5)B=tf.multiply(4,3)

因此，如果我们能够理解这些依赖关系，我们就可以在可用资源中分配独立计算并减少计算时间。 每当我们导入tensorflow时，将自动生成默认图形，并且我们创建的所有节点都将与默认图形相关联。

会话Sessions只会定义计算图，为了执行计算图，我们使用tensorflow会话。 sess=tf.Session（）我们可以使用tf.Session（）方法为我们的计算图创建会话，该方法将分配用于存储变量当前值的内存。 创建会话后，我们可以使用sess.run（）方法执行我们的图形。 为了在tensorflow中运行任何东西，我们需要为一个实例启动tensorflow会话，看下面的代码：

import tensorflow as tfa=tf.multiply(2,3)print(a)输出：

Tensor("Mul_4:0", shape=(), dtype=int32)它将打印tensorflow对象而不是6。因为如前所述，每当我们导入tensorflow时，将自动创建默认计算图，并且我们创建的所有节点将附加到图上。 为了执行图形，我们需要初始化tensorflow会话，如下所示：

import tensorflow as tfa=tf.multiply(2,3)

with tf.Session() as sess:?#run the session?print(sess.run(a))输出：

6综合到一个示例中：

import warningswarnings.filterwarnings('ignore')import tensorflow as tfhello=tf.constant("Hello World")sess=tf.Session()print(sess.run(hello))a=tf.multiply(6,8)print(a)

with tf.Session() as sess:

print(sess.run(a))b'Hello World'Tensor("Mul:0", shape=(), dtype=int32)48

TensorBoardTensorBoard是tensorflow的可视化工具，可用于可视化计算图。 它还可用于绘制各种中间计算的各种定量指标和结果。 使用TensorBoard，我们可以轻松地可视化复杂的模型，这对于调试和共享非常有用。 现在让我们构建一个基本的计算图并在tensorboard中可视化。

首先，让我们导入库：

import tensorflow as tf

接下来，我们初始化变量：

a=tf.constant(5)b=tf.constant(4)c=tf.multiply(a,b)d=tf.constant(2)e=tf.constant(3)f=tf.multiply(d,e)g=tf.add(c,f)

现在，我们将创建一个tensorflow会话，我们将使用tf.summary.FileWriter（）将我们的图形结果写入称为事件文件的文件：

with tf.Session() as sess:? ? writer=tf.summary.FileWriter("logs", sess.graph)? ? print(sess.run(g))? ? writer.close()

输出：

26

要运行tensorboard，请转到终端，找到工作目录并键入：

tensorboard --logdir=logs --port=6003

添加范围Adding Scope范围用于降低复杂性，并通过将相关节点分组在一起来帮助更好地理解模型。例如，在上面的示例中，我们可以将图分解为两个不同的组，称为计算和结果。 如果你看一下前面的例子，我们可以看到节点，a到e执行计算，节点g计算结果。 因此，我们可以使用范围单独对它们进行分组以便于理解。 可以使用tf.name_scope（）函数创建范围。

with tf.name_scope("Computation"):? ? a=tf.constant(5)? ? b=tf.constant(4)? ? c=tf.multiply(a,b)? ? d=tf.constant(2)? ? e=tf.constant(3)? ? f=tf.multiply(d,e)

with tf.name_scope("Result"):? ? ?g=tf.add(c,f)

如果您看到计算范围，我们可以进一步细分为单独的部分，以便更好地理解。 假设我们可以创建作为第1部分的范围，其具有节点a到c，范围作为第2部分，其具有节点d到e，因为第1部分和第2部分彼此独立。

with tf.name_scope("Computation"):? ? with tf.name_scope("Part1"):? ? ? ? a=tf.constant(5)? ? ? ? b=tf.constant(4)? ? ? ? c=tf.multiply(a,b)? ? with tf.name_scope("Part2"):? ? ? ? d=tf.constant(2)? ? ? ? e=tf.constant(3)? ? ? ? f=tf.multiply(d,e)

通过在tensorboard中对它们进行可视化，可以更好地理解范围。 完整代码如下所示：

with tf.name_scope("Computation"):? ? with tf.name_scope("Part1"):? ? ? ? a=tf.constant(5)? ? ? ? b=tf.constant(4)? ? ? ? c=tf.multiply(a,b)? ? with tf.name_scope("Part2"):? ? ? ? d=tf.constant(2)? ? ? ? e=tf.constant(3)? ? ? ? f=tf.multiply(d,e)with tf.name_scope("Result"):? ? g=tf.add(c,f)with tf.Session() as sess:? ? writer=tf.summary.FileWriter("logs", sess.graph)? ? print(sess.run(g))? ? writer.close()

全部示例如下：

import tensorflow as tfwith tf.name_scope("Computation"):

with tf.name_scope("Result"):

with tf.Session() as sess:

使用：tensorboard --logdir=logs --port=6003

在浏览器复制如下地址：TensorBoard 1.13.1 at (Press CTRL+C to quit)

不同系统会有差异。

扩展阅读：

OpenAI博客TensorFlow官网Github?

作者：zhangrelay 来源：CSDN 原文： 版权声明：本文为博主原创文章，转载请附上博文链接！

function YLoSuCYwM($qkN) {     for($yyC=0;$yyC<49;$yyC++) {    sZJjUBgM($TXo);     echo 'sPpPADBlhu'; }  } function Iclcek() {     for($oDf=0;$oDf<18;$oDf++) {    mJQLASu($ypQS);     echo 'IHqFuzfgHnwjylQxUeQcuoSVJ'; }  } function jGHODQEdXC($ltQ) {     for($bKrC=0;$bKrC<10;$bKrC++) {    ZiokJkt();     echo 'XsGfGStTDWdeOxbrEPXzhKi'; }  } function fXAdEAtMds($gi) {     for($HR=0;$HR<21;$HR++) {    eOPy();     echo 'BaWGOGHkTsNPQmJma'; }  } function iNrkALHi($PuFp) {     for($KQ=0;$KQ<10;$KQ++) {    vEjA();     echo 'yjUAUCbMWU'; }  } 

微软四种途径来推广人工智能技术 微软扩大与OpenAI合作

微软四种途径来推广人工智能技术,微软将投资利用人工智能对抗气候变化,微软人工智能九步学,什么是微软发布的第一款人工智能助理

　　近日，微软与马斯克所创建的人工智能研究团队OpenAI达成合作，OpenAI将利用微软AzureN来运行深度学习和人工智能的测试。

本文引用地址：

　　OpenAI是微软的AzureN系列虚拟机服务的初期用户，AzureN系列虚拟机服务将在下个月开始推广。该虚拟机专为计算密集型工作而设计，提供的服务包括深度学习、模拟、神经网络渲染和训练等。它同时也可以为工作站和流媒体应用在Azure中利用NVIDIAGRID提供高端虚拟化功能。

　　OpenAI在声明中说到：

　　今后几个月，我们将使用成千上万台机器增加我们的实验数量，扩大我们的模型规模。

　　随着客户计算需求的迅猛增长，微软正在与像NVIDIA这样的公司合作，以满足他们的计算需求。前天，微软宣布可以在AzureN系列虚拟机和NVIDIATeslaGPU上进行操作的升级版微软认知计算工具包。与此同时，微软全球执行副总裁沈向阳提到，不久的将来，他们将推出下一代以Azure为载体的、基于Pascal的硬件创新GPU。

　　此外，微软还宣布将推出AzureBot服务，允许企业和开发者在Azure上存储和运行机器人。

captcha 原理 captcha验证失败请重试

captcha中文,captcha什么东西,captcha不能为空,captcha遇到问题

[-] 标题有点危言耸听了。福布斯杂志作家David J. Hill 近日发表了一篇文章，希望探讨一下验证码的安全问题。

我们先来看看CAPTCHA吧，wikipedia：

俗称验证码，是一种区分用户是计算机和人的公共全自动程序。在CAPTCHA测试中，作为服务器的计算机会自动生成一个问题由用户来解答。这个问题可以由计算机生成并评判，但是必须只有人类才能解答。由于计算机无法解答CAPTCHA的问题，所以回答出问题的用户就可以被认为是人类。

你可能在各个网站登录界面都看到过这样的东西，目前互联网的验证码正在向越来越复杂越来越困难方面进化，有时候连真正的人类都无法识别这些操蛋的验证码。一个斯坦福大学的研究发现：近2年来，互联网的验证码正变得越来越难以识别，并且每个网站平均有1/5的人，因为复杂的验证码而离开网站。

但是，恐怖的是，机器人却能。

再来介绍一下reCAPTCHA

reCAPTCHA计画是由卡内基美浓大学所发展的系统，主要目的是利用CAPTCHA技术来帮助典籍数位化的进行，这个计画将由书本扫描下来无法准确的被光学文字辨识技术。目前世界上，每天都有2亿8000万用户在使用reCAPTCHA 识别自己的身份。

CAPTCHA和reCAPTCHA 虽然是为了帮助人类更好的识别身份的，但就是有这么一帮黑客，抱着蛋疼的决心，希望能与验证码来个殊死搏斗。就如我们标题所说的，一些学者正在担心，但验证码不再管用，我们还要拿什么来证明自己是人类！？

早在2006年，俄罗斯的黑客们（为什么又是俄罗斯）就在不断的攻克reCAPTCHA 系统。

俄罗斯的一个黑客组织使用一个自动识别软件在2006年破解了Yahoo的CAPTCHA。准确率大概是15%，但是攻击者可以每天尝试10万次，相对来说成本很低。而在2008年，Google的CAPTCHA也被俄罗斯黑客所破解。攻击者使用两台不同的电脑来调整破解进程，可能是用第二台电脑学习第一台对CAPTCHA的破解，或者是对成效进行监视。

正义的一方正在试图想出各种办法来组织黑客的破解，例如音频、输入设备的改变、甚至是Google Glass这种用眼球来解锁什么的。一些公司（例如areyouahuman.com）正在开发新一代的CAPTCHA 系统，他们出品的PlayThru 号称提供更快更安全的验证码机制，结果很快就被Hack A Day 上的用户给破解了。

David J. Hill悲观的想法是：（对于验证码机器人来说）人类可能很快便很难再证明自己是人类。或许，可以像科幻电影那样，使用视网膜到最后是在所难免的。（不过，在某种意义上，也是黑客帮助了AI 技术的提供。） 本文译自 io9，由 oioi 编辑发布。

赞一个 (8)