关于影印店病毒

前言

跑了各种打印店，结果U盘一插上去总是中这个病毒
第一次的时候导致作业没办法按时交上去
后面虽然知道怎么解决了，这东西还是导致为了处理这货上课迟到了不少次
无法忍受后决定好好研究一番，看看能不能从根源上解决这个问题

不过在行动之前，先记录下如果被病毒隐藏了文件后怎么恢复
打开命令行，转至U盘所在，输入下面命令
attrib -s -h /s /d
即依靠/s递归取消系统文件(-s)和隐藏文件(-h)属性

目前进度

由于是最后一次感染病毒萌生了这个想法
之前看了看快捷方式，大概猜测到了可能的方式是通过快捷方式执行一个vbs程序
所以最后一次感染的时候并没有立即处理，而是关掉了反病毒软件，保留了病毒的vbs文件
打开源码好好看了下

相当混乱的代码
虽然没有学过vbs，不过大体上连蒙带猜外加百度推出了一些东西
然后推到一半发现这个病毒似乎早就有人已经在网上分析过了
网址在这

对比了明文并且并且解析了下加密部分，似乎连代码都没有变过……
感觉就是一个相当古老的病毒在打印店里的古老样本
虽然存在各种后门，但是后门的IP都ping不通了
~（一个大胆的想法， 如果将后门网址的域名购买了的话……）~
（查了下域名，似乎都是在被使用的……）

暂坑

Anaconda相关

镜像

为解决部分安装包无法下载的问题

清华大学开源镜像站

指令

conda create -n env_name [list of packages] 创建新的虚拟环境(参数python=3或python=2指定版本)

conda env remove -n env_name 移除虚拟环境

conda env list 列出当前虚拟环境表

conda activate env_name 激活环境

conda install package_name 安装包

conda upgrade --all更新所有包

更多参考：
Anaconda入门使用指南
Anaconda多环境多版本python配置指导

常用包

pandas tensorflow keras tushare flake8 numpy

opencv(需要指令conda install -c conda-forge opencv)
torch(指令见https://pytorch.org/)

如何在多版本anaconda python环境下转换spyder？ - 王浩的回答 - 知乎
https://www.zhihu.com/question/49144687/answer/165033340

spyder相关（黑色背景和anconda环境）
黑色背景
anaconda环境
打开速度
https://www.zhihu.com/question/278838622
https://www.cnblogs.com/283383765pw/articles/9974857.html

pythonAINeuralNetworkanacondatips

神经科学学习随意记录

（懒得看latex公式有没有正确显示了……如果没有正确显示的话看看有没有时间弄弄吧）
然后就改掉了

尼氏染料除了神经元还会染色尼氏小体（粗面内质网），高尔基染料不会染色尼氏小体
细胞体，胞体，核周体是神经元”有核膨胀区”的不同称呼
神经元学说(建立者：Cajal)：神经元的突起不是连通的，它们通过接触而非连通传递信息。

  • 神经元（0.01~0.05mm）
    • 胞体
      • 细胞质
        • 细胞液
        • 细胞器
          • 线粒体
            • Kreba循环（ADP->ATP）
          • 粗面内质网（粗面ER）
            • 核糖体（合成蛋白质嵌在细胞膜或细胞器膜上）
          • 滑面内质网（滑面ER）
            • 有多种不同的类型和功能
            • 与粗面ER相连部分，膜上蛋白质能正确折叠并形成三维结构
          • 高尔基体
            • 蛋白质”翻译“后进行大量化学修饰的场所
            • 把转运到神经元不同部位（如轴突和树突）的蛋白质进行分类整理
          • 游离核糖体（合成蛋白质在神经元胞浆内）
          • 多聚核糖体（几个游离核糖体附着在单链mRNA上）
      • 细胞核
        • 染色体
          • DNA
      • 神经元膜
        • 厚约5nm
        • 嵌有蛋白质
          • 一些可把膜内物质”泵”到膜外
          • 其他蛋白质形成膜孔筛选能进入神经元的物质
        • 神经元重要特征：胞体、树突、轴突膜的蛋白质组成均不同
      • 细胞骨架（微管和微丝不断装配和解聚）
        • 微管
          • 直径越20nm
          • 沿神经突起纵向排列
          • 看似笔直中空的管子，管壁由围绕中心部分更小的瓣状链组成
            • 每条小链由微管蛋白（呈球状）聚合而成
          • 微管相关蛋白（MAPs）可把微管锚定在另一个微管或者神经元的其它部分。
            • 名为 tau 的轴突微管相关蛋白 病理学变化已知与阿尔茨海默病引起的痴呆有关
        • 微丝
          • 直径5nm
          • 遍布于神经元，在神经突起中更多
          • 由两股细链盘绕而成，每股都是肌肉纤维蛋白的聚合物
        • 神经丝
          • 直径10nm
          • 存在于身体每个细胞中，被称为中等纤维（仅在神经元中被称为神经丝）
    • 神经突起
      • 轴突
        • 可短于1mm，也可长于1m
        • 一般只有一个，直径均一（若有分支，一般成直角衍生）
        • 不含粗面ER，仅有少量游离核糖体
        • 膜蛋白质组成基本不同于胞体膜
        • 直径范围很广(人类在1~25微米，枪乌贼可达1mm)
        • 轴突侧支
          • 返回侧支：与产生轴突的同一细胞或邻居细胞的树突连接的轴突侧枝
        • 轴突终末（终末扣）
          • 像一个膨胀的圆盘
          • 不存在微管
          • 包含了为数众多的膜质小泡，成为突触囊泡（直径约50nm）
          • 面对突触的囊泡膜内附有特别高密度的蛋白质
          • 含有大量线粒体，说明能量需求很高
          • 末梢是和其他神经元或其它细胞的链接点，即突触
          • 终末树：所有和同一区域树突或胞体组成的突触的分支的统称
          • 神经支配：一个神经元和另一个细胞建立了突触联系。
        • 突触
          • 突触间隙：突触前膜和突触后膜之间的空间
          • 突触传递：型号通过突触从一个神经元传递到另一个的传递
          • 神经递质：可穿越突触间隙的化学信号（储存于末梢的突触囊泡内）
        • 轴浆运输（物质沿着轴突流动）
          • 慢速轴浆运输：每天1~10mm
          • 快速轴浆运输：每天1000mm
          • 顺向运输：囊泡沿着神经元微管通过驱动蛋白运输（ATP供能）
          • 逆向运输
            • 分子机制类似于顺向运输，但通过动力蛋白运输
            • 通常认为这个过程给胞体提供关于轴突末梢代谢需求变化的信号
      • 树突
        • 延伸距离很少超过2mm
        • 树突树：单个神经元上树突的统称
        • 树突侧支：树突树上的每个分支
        • 受体：可探知突触间隙中的神经递质
        • 树突棘
          • 接受某些突触输入
          • 据说可以隔离某些突触激活引起的不同化学反应
          • 突触活动类型和数量均可以影响棘的结构
          • 认知能力有缺陷的人脑可呈现棘异常
        • 有多聚核糖体，表明突触传递实际上能指导某些神经元内部区域蛋白质的合成
  • 神经元的分类
    • 按突起数目（单极，双极，多极）
    • 树突分类（椎体细胞，星形细胞）（棘状神经元，无棘神经元）
    • 连接分类（初级感觉神经元，运动神经元，中间神经元）
  • 神经胶质细胞
    • 星形胶质细胞
      • 调节细胞外空间化学物质
      • 也有神经递质受体，可以引发电和生化反应
      • 严格控制一些物质的细胞外浓度
    • 成髓鞘胶质细胞
      • 少突胶质细胞和施万细胞
        • 提供一层层膜以隔离轴突（髓鞘）
    • 其它非神经元细胞
      • 管室膜细胞：脑内充满液体的脑室衬里
      • 小胶质细胞：吞噬细胞吞噬由死细胞或退化神经元及神经胶质细胞留下的残渣
      • 脉管（动脉，静脉，毛细血管）

电流不达到阈值不会产生动作电位
通过微电极不断注入电流时，会得到很多个动作电位
电流强度越大，动作电位发放频率越高（但存在绝对不应期和相对不应期）
动作电位强度似乎并不会随着电流增大而增大（根据图片）
Na通道开放时间约1ms，其不应期解释失活现象
Na通道通过半径来筛除K进入的可能
通道失活和恢复是通过连接的球的阻塞和下落完成的
动作电位传导速度随着轴突直径增加而加快

星形细胞产生动作电位较为稳定
锥形细胞产生动作电位开始很频繁，后来逐渐减慢（适应）
适应是可兴奋细胞的共性
某些细胞对稳定输入刺激的反应是产生有节奏可重复的爆发

运动神经元轴突一个神经电位可以引起其支配的肌肉细胞产生一个动作电位

突触囊泡 50nm
分泌颗粒 100nm

同一神经元中含有不同的神经递质
钙离子如何引发胞吐尚不明确
刺激时间较长时，结合于突触末梢细胞骨架的“储存池”的囊泡会释放和锚定到活性带
肽类释放需要高频串状动作电位（释放缓慢，50ms或更长时间）

  • 电压门控通道（受到电压刺激后改变通透性）
  • 递质门控通道（与递质结合后改变通透性）
    • 兴奋性突触后电位:EPSP（同时打开Na+,K+）
    • 抑制性突触后电位:IPSP（打开Cl-）

促代谢型受体->G蛋白->效应器->离子通道
促代谢型受体->G蛋白->效应器->酶->第二信使->其它酶

前膜也有受体，一般用于抑制神经递质的释放，有时也抑制合成
神经递质会通过扩散和（突触前神经末梢和神经胶质细胞的）重摄取被清除
突触后膜可能有几十到几千个递质门控通道，被激活数量取决于神经递质的释放量

  • 神经递质释放的基本单位是一个突触囊泡内容物。换句话说，EPSP是量子化的
    • 神经肌肉接头传递的量子分析揭示：一个突触前末梢的动作电位能触发大约200个突触囊泡释放，产生40mV或更大的EPSP
    • 许多中枢神经系统的突触中，一个突触前动作电位仅引起一个囊泡的释放，产生的EPSP仅几毫伏
    • 多数神经元执行更为精细的运算，需要许多EPSP叠加起来产生一个有意义的突触后去极化
  • EPSP总和
    • 空间上是树突上不同突触同时产生的EPSPs叠加
    • 时间上是同一个突触产生的间隔在1~15ms之内的一系列EPSP叠加
  • 假定树突在功能上像一个具有被动电活性的电缆（它缺乏电压门控离子通道）
    • 突触电流可以沿树突内部传递，或者跨树突膜(大部分跨膜流出)。
    • 树突电缆上去极化的衰减参数是距离的函数\(V_x=V_o/E^{\chi/\lambda}\)
  • 许多神经元的树突被确定是非被动性的（即存在电压门控离子通道）
    • 这些电压门控通道不足以产生如轴突产生的可以完全扩布的动作电位
    • 但是可以作为产生在树突远端较小突触后电位的重要放大器（可以增加电流促使突触信号朝胞体方向延伸）
    • 某些树突上的钠通道可以将电信号从胞体向树突输出
  • 抑制性突触与兴奋性突触非常相似
    • 主要区别在于结合的神经递质不同
    • 若膜电位是-65mV，看不到IPSP，但是神经元还是会被抑制（分流抑制）
    • IPSP可以从EPSP中减去，使得突触后神经元不易发放动作电位
    • 分流抑制的作用是极大减少\(r_m\)，从而减少\(\lambda\)使得正电流流出膜外而不是在树突内流向峰电位起始区
NeuralScience

Unity 单元测试坑

写于Unity 2018版本

创建单元测试方式：
将Project目录切换到Editor上（如果没有则新建）
打开Window -> TestRunner
找到EditMode（如果要在游戏内测试，也可以选择PlayMode）
点击Create Test Assembly Folder创建测试文件夹
点击Create Test Script in current floder创建测试脚本

这样一个测试模块就创建好了，但是问题是这个模块不能够使用真实运行时引用的脚本
为了能够使用，需要进行以下步骤

在你需要引用到测试模块的脚本的文件夹下，右键->Create->Assembly Definition创建设定文件
回到你创建的测试文件夹，找到其中的设定文件
点击设定文件，在Inspector中找到References，添加之前创建的设定文件
打开VS，如果还是不能引用，就重建解决方案

到这应该就可以使用了

Unity

杂乱的连接收藏

软件

VS Code
Free Download Manager
potplayer
Hexo
Typora
notpad++
LICEcap
Blender
SAI
CClear
draw.io
UleadGIF(以前的连接挂掉了，未找到可信赖连接，备份于网盘)

视频

【官方双语】想知道比特币（和其他加密货币）的原理吗？

技巧

安装MinGW-w64编译器
https://mingw-w64.org/doku.php/download
https://sourceforge.net/projects/mingw-w64/postdownload
https://www.cnblogs.com/findumars/p/8289454.html

安装Cmake
https://cmake.org/

移除U盘“写保护”
https://blog.csdn.net/asher_11/article/details/52801235

tips

tensorflow相关

Android 模型移植

将模型移植到手机端的时候，需要提供input和output的layer名字

tensorflow保存为pb模型的时候output名字在layer层里面会加入后缀，我们需要查看后缀之后输入它的输出名字
（如Dense层，名字为output的层的输出名字是output/Sigmoid

可以通过下述代码查看层的名字，这在将层移植到手机端上设置输入输出名的时候会很有用
[op for op in sess.graph.get_operations() if op.type == "Const"]

也可以在tensorflow里先生成图然后在tensorboard里查看，里面的名字也是一样的（相对更加方便看一些）

Android版本的tensorflow的feed输入是一维float数组，最后的long数组参数代表维数

AINeuralNetworktensorflowtips

python相关

pip上

pip install packagename –upgrade
升级某个包，以去除安装包的时候提示的版本不对的错误

python 字符串前加f，代表该字符串使用fomat格式，可以通过{XXXX}来嵌入变量和表达式

某cython错误

vscode上

使用flake8比pylint舒服一些……

“python.linting.flake8Args”: [“–max-line-length=248”]
提高flake8Args的line to long提示限制

pythontips

注意力模型

可能参考的东西：
认识论的框架问题
Attention?Attention!

关于筛选信息

先引用一下人工智能框架问题

必须让机器人知道哪些蕴含事件是相关的，而哪些是不相关的，并且学会忽略那些不相关的事件。
……
框架问题是要解释信息解封（Informationally Unencapsulated）的认知过程，即既能有效解决来自任何潜在认知域的信息，而又不至于受累于不得不明晰地把相关事物从不相关事物中筛选出来的繁重工作。

(题外话：感谢 命运石之门0)

引用的目的是为了表达信息筛选的重要性，当需要的信息被精确的筛选出来，在之后的步骤中进行处理就会变得更加高效和准确

关于RNN Encoder-Decoder中的注意力模型

引入注意力模型的RNN Encoder-Decoder为模型带来的更多的信息（因为要将每一步Encoder处理的向量都参与运算
而将这些信息筛选出有用的，则是注意力模型关键的地方，将这些信息输入，返回需要位置编号的注意权重
一般的解释中，是说权重越高的代表模型越关注这个位置的信息
而从另一个角度来看，也可以说是权重越低的信息被筛去的越多，只留下了对自己有用的信息

AINeuralNetwork
|