这个数据集包含70000张手写数字图片，分别是60000张训练图片和10000张测试图片，训练集由来自250个不同人手写的数字构成，一般来自高中生，一半来自工作人员，测试集（test set）也是同样比例的手写数字数据，并且保证了测试集和训练集的作者不同。训练过程中的打印信息我进行了修改，这里设置的训练轮数是15轮，每次训练生成的pkl模型参数也是会更新的，想要更多训练信息可以查看对应的教程哦~里

这些参数共同决定了 Word2Vec 模型的训练过程和最终学习到的词向量的质量。根据具体的应用场景和语料库的特点，可以调整这些参数以获得更好的结果。：词向量训练时的上下文窗口大小。在训练时，窗口大小决定了模型考虑的上下文单词数量。：输入的句子集合，可以是一个可迭代对象，每个元素表示一个句子，句子则是由单词组成的列表。：训练时使用的线程数量，用于加速训练过程。：词向量的维度大小。它决定了每个单词在训

browser.switch_to.window(browser.window_handles[-2])定位到倒数第二个窗口。browser.switch_to.window(browser.window_handles[-1])定位到最新打开窗口。browser.switch_to.window(browser.window_handles[0])定位到最开始页面。2.换了页面后，发现定位不到元

点击开发者工具-网络-XHR，刷新页面，可以获得一连串数据包，在预览处，发现结果位密文数据，因此需要解密。在函数页面，复制函数，和必要的参数，发现其为标准AES解密算法，在js库中，用专门的库解密即可。然后跳转到这里，打上断点，并释放其他断点，在网页上点击分页。上面复制的f是错误的，在这个函数下面不远处，有真正的f。点击一个包，查看启动器，点击第一个，进入js代码。按规律，一般在send处打上断点

因为我是用的pycharm，所以我直接在pycharm项目终端中下载pip install jupyter,pip install pyecharts。在你下载的项目路径中输入jupyter notebook。一定要另起一行写展示代码。最常见的问题是不出图。

表示一个批次大小为64的图像张量，其中每个图像有32个通道，高度和宽度都是28像素。全连接层中输入的特征数，需要自己计算，通过前面卷积层和池化层后，计算总的维度数。本数据集中x_data的维度是四维张量（203，3，100，100），y_labels的维度是一维张量。定义模型中的forward函数中，在经过全连接层计算前，需要将四维的x转为2维。代码中需要注意的点，卷积模型接受的是四维张量，因此要

总结：涉及到了逆向的知识，之后来总结。

二、获得标题和音频数据后，分别获取二进制数据，进行保存，注意这里访问时，必须加上防盗链即refer。访问这个数据包后，获取字符串数据，用正则提取，再转为json字符串方便提取。在链接的bilibili前加个i,获得视频详情，包括评论信息。打开一个视频，刷新后，找到这个包，里面有我们所需要的数据。一、首先找到含有音频和视频的url地址。三、别人提供的b站视频详情页。

返回的数据时密文，逐个跟栈，最后找到这行代码，在前面打断点，可以发现解密部分就在这里。这段代码是一个 AJAX 请求，用于获取 JSON 数据。应该是一个变量，表示请求的 URL。为了在Nodejs中运行，可以借助GPT的帮助，让它帮你修改代码。请注意，给定的代码片段中缺少了一些上下文信息，特别是在条件。这个函数是一个异步函数，因此在成功解密数据后，使用。这是很常见的写法，每一行代码的含义分别为。

总结：涉及到了逆向的知识，之后来总结。