czxvan's blog

发表于

参考链接：

python库

用于分析和统计深度学习模型的python库

  • torchsummary : 获得详细参数量
  • thop ：获得总参数量，总浮点运算次数
  • torchstat

torchsummary

1
2
3
4
5
6
from torchsummary import summary
import torchvision.models as models

model = models.resnet18()
# 打印模型摘要信息
summary(model, (3, 244, 244), device='cpu')

输出

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1         [-1, 64, 122, 122]           9,408
       BatchNorm2d-2         [-1, 64, 122, 122]             128
              ReLU-3         [-1, 64, 122, 122]               0
         ... 					...						...
           Conv2d-60            [-1, 512, 8, 8]       2,359,296
             ReLU-62            [-1, 512, 8, 8]               0
      BatchNorm2d-64            [-1, 512, 8, 8]           1,024
       BasicBlock-66            [-1, 512, 8, 8]               0
           Linear-68                 [-1, 1000]         513,000
Total params: 11,689,512
Trainable params: 11,689,512
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.68
Forward/backward pass size (MB): 76.08
Params size (MB): 44.59
Estimated Total Size (MB): 121.36
----------------------------------------------------------------

thop

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from thop import profile
import torchvision.models as models
import torch

# 定义一个示例模型
model = models.resnet18()

# 创建一个随机输入
input_data = torch.randn(1, 3, 244, 244)

# 使用 thop 分析模型
flops, params = profile(model, inputs=(input_data,))

print(f"FLOPs: {flops}, Params: {params}")

输出

1
2
3
4
5
6
7
8
[INFO] Register count_convNd() for <class 'torch.nn.modules.conv.Conv2d'>.
[INFO] Register count_normalization() for <class 'torch.nn.modules.batchnorm.BatchNorm2d'>.
[INFO] Register zero_ops() for <class 'torch.nn.modules.activation.ReLU'>.
[INFO] Register zero_ops() for <class 'torch.nn.modules.pooling.MaxPool2d'>.
[INFO] Register zero_ops() for <class 'torch.nn.modules.container.Sequential'>.
[INFO] Register count_adap_avgpool() for <class 'torch.nn.modules.pooling.AdaptiveAvgPool2d'>.
[INFO] Register count_linear() for <class 'torch.nn.modules.linear.Linear'>.
FLOPs: 2278887168.0, Params: 11689512.0

torchstat

输出

  • 理论计算次数

  • 理论耗时 一轮*n

    • 只输入模型结构 loss optim
    • 不输入数据，后台随机生成
    • 没有loss图像

  • 模型存储占用：模型参数量大小

  • 指标：

    • 结构匹配度
    • 算法适应度：理论耗时/理论计算次数 转换到 -> %
    • 并行程度

响应时间：

  • 3s内

跑一轮：

  • tqdm

进度条：跑完

存储

-

发表于

网络协议模糊测试综述-笔记

协议模糊测试工具：

  • Peach
  • Sulley
  • AFLNet

流程：

  • 预处理
  • 种子生成
  • 执行过程监测以及结果分析

技术：AutoFuzz

历史：

  • AFLNet出现前(基本)都是黑盒，出现后(基本)都是灰盒

发表于 更新于 分类于

雪 【唐】罗隐

尽道丰年瑞，

丰年事若何。

长安有饥者，

为瑞不宜多。

踏莎行·雪似梅花 【宋】吕本中

雪似梅花。梅花似雪，似和不似都奇绝。

恼人风味阿谁知？请君问取南楼月。

去年今日，探梅时节，老来旧事无人说。

为谁醉倒为谁醒？到今犹恨轻离别。

发表于 更新于 分类于

redfish协议模拟执行环境搭建。

参考资料：

阅读全文 »

发表于 更新于 分类于

《模糊测试：强制性安全漏洞发掘》阅读笔记。

参考链接：

阅读全文 »

发表于 更新于 分类于

AFL和Fuzz学习笔记。

参考链接：

阅读全文 »
0%