MRR的全称是Mean Reciprocal Ranking(排名的倒数)，其中Reciprocal是指“倒数的”的意思。该指标越大越好（即预测排名越靠前，倒数就越大，求和结果越大越好）。MRR=∣S∣1​∑i=1∣S∣​ranki​1​=∣S∣1​(rank1​1​+rank2​1​+⋅⋅⋅+ranki​1​)其中S是三元组集合，∣S∣是三元组集合个数，ranki。

一般python模板注入涉及到知识比较广，但是套路基本固定，参考大佬的总结文章即可，问题不大。SSTI模板注入总结CTF|有关SSTI的一切小秘密【Flask SSTI+姿势集+Tplmap大杀器】

1. kail学习过程中安装dirsearchgit原文地址传送门git clone https://github.com/maurosoria/dirsearch.git或者直接下载zip code，使用unzip+文件解压2. 使用dirsearch进行扫描注意：dirsearch只支持在python3环境下运行进入到dirsearch-master目录中，使用 python3 dirsear

training set：训练集是用来训练模型的。遵循训练集大，开发，测试集小的特点，占了所有数据的绝大部分。development set：用来对训练集训练出来的模型进行测试，通过测试结果来不断地优化模型。test set：在训练结束后，对训练出的模型进行一次最终的评估所用的数据集。注意：          所有数据之间都应该属于同分布，才能进行训练测试，如果不同分布，则不能进行训练测试...

最近频繁看到论文中用到transformer，于是又回头看了看曾经经典的大作。以前只知道大致流程，本次死磕一波，好好梳理细节和内容，因网上大部分资料讲的内容都不错，遂做整理。1. Transformer相关内容变形金刚——Transformer入门刨析详解【Transformer】一文搞懂Transformer | CV领域中Transformer应用图解Transformer | The Ill

文章对因果推理方法进行了全面的回顾，根据传统因果框架所做的三个假设，将这些方法分为两类，对于每个类别，都讨论和比较了传统的统计方法和最近的机器学习方法。

检索增强生成（Retrieval-Augmented Generation，RAG），是指为大模型提供外部知识源的概念。能够让大模型生成准确且符合上下文的答案，同时能够减少模型幻觉。用最通俗的语言描述：在已有大模型的基础上，外挂一个知识库，让大模型学习这个知识库后，回答的内容与知识库更为相关，与实际业务场景更加贴切，符合我们的需求。

pyttsx3是Python中的文本到语音转换库，可以实现文本的朗读功能。

最早的分类问题是线性分类，因此仅靠一条线可以进行划分。如图：但是对求解非线性问题，则是通过某种非线性变换φ(x)，将输入空间映射到高维特征空间，从而找到一个超平面进行分类。其实在svm中，就用到了核函数的思想，为了更清晰的呈现，特意去找了个视频：核函数思想摘自好了，看完视频，我们也知道了其实对于不可分的平面，在支持向量过程中，采用的是通过映射到高维空间后，从而可以形成一个超平面，最终实现了超平面分

1. 进入环境，下载附件题目给了一个压缩包，包含一张jpg图片，如图：没有其他信息，猜测是md5的加密玩意，但是少内容2. 问题分析丢入StegSolve一通乱点，没有发现隐藏的内容，通道分析也没有什么奇怪的点。丢入winhex文件头FFD8FF开头的，emmm，没问题，拉到最后瞅瞅，发现了猫腻，如图：隐写包含一个key.txt，果断分离呗丢入kali进行foremostforemost -i m