一. 为何要标准化
-
样本不同的特征/属性所在的数值范围差异巨大，导致训练不收敛或其他问题
-
所有数据在相同的取值空间更容易处理，方便模型的统一化和规范化
-
更容易发现数据的本质规律
二. 归一化
# 把数据缩放到[0,1]的范围内
x = (x-min) / (max-min)
三. 标准化
# 将数据转化到0值附近
x' = (𝑥−𝜇)/σ
如图：
样本不同的特征/属性所在的数值范围差异巨大，导致训练不收敛或其他问题
所有数据在相同的取值空间更容易处理，方便模型的统一化和规范化
更容易发现数据的本质规律
# 把数据缩放到[0,1]的范围内
x = (x-min) / (max-min)
# 将数据转化到0值附近
x' = (𝑥−𝜇)/σ
如图：
x86 32 位栈帧与 ESP/EBP 速查栈与指针：栈向低地址方向增长。ESP (Extended Stack Pointer) 是动态变化的栈顶指针，指向栈顶元素。EBP (Extended Base Pointer) 是帧指针，在函数生命周期内通常固定，作为访问局部变量、参数和返回地址的稳定基
使用的工具抓HTTP包：Reqable反编译DEX：Jadx，JEB反编译APK：dex2jar，dex-tools-v2.4反编译SO：ida一、抓包Reqable！抓APP包的时候，有的APP调用HTTP是不走系统代理的，所以 Fiddler、Charles 抓不到可以选择Charles + D
[ENABLE]alloc(newmem, 2048)alloc(sunptr, 128)label(returnhere)newmem: pushad // 保护寄存器 mov eax, esi add eax, 005560 mov [sunptr],e
玩🦞了
Word2Vec 是一种将词语映射为固定维度向量的技术，常用于自然语言处理任务中，特别是在语义理解、文本相似度和机器翻译等方面。它通过神经网络模型学习词语之间的关系，并将语义相似的词映射到相近的向量空间。Word2Vec 主要有两种训练模型：1. Skip-gram 模型：Skip-gram 模型的
![[CE] hook注入的方式实现定位基址的效果](https://pic.bythedu.com/defeng_boke/1771860548926_1771860555043.png)