小炮出装

今天（5月27日）早上，有读者向雷锋网反映，一觉醒来竟发现自己的微信朋友圈遭官方封禁了！ 随后，雷锋网发现该读者并非个例，朋友圈有其他人也出现了相同情况。他们尝试发送朋友圈时，被提示 发送失败。当前账号因涉及违法或违规行为，已被停用朋友圈功能…… 一位安全从业者告诉雷锋网： 这是来自微信安全团队的“反击”！ 原来，此次网友遭封禁朋友圈，和前一天发生的“微信朋友圈漏洞事件”有关。 5月26日当天，有网友发现了微信朋友圈的一个漏洞，只要在朋友圈的地理位置信息中添加一段特殊代码，就可以在好友的微信界面弹出一个任意文字内容的弹窗。（详见：《微信出现“远程弹窗漏洞”，已刷爆朋友圈》） 不少网友得知该玩法后，都出于好奇心开始尝试。当天，各种弹窗、代码充斥在不少人的朋友圈里。 当时，雷锋网在朋友圈发现有一位资深安全从业者在朋友圈表示： 刚才一位微信安全部的朋友圈说，今天朋友圈发位置XSS（漏洞利用方法）的都禁言一个礼拜。 但这句话并没有得到太多人的注意，有网友认为此话是在开玩笑。直到27日早上，许多人真的都出现了朋友圈被封禁的情况，人们才发现微信安全部门真的有所行小炮出装

根据3GPP的计划，5G将会在2020年正式实现商用，作为中国最大的电信设备厂商，华为早在2009年就开始了对5G技术的研究和部署。虽然华为的电信设备一直拿不到美国市场的准入证，但是欧洲一直是华为的福地。 从左至右：5GIC主任Rahim Tafazolli教授、萨里大学校长逯高清教授、华为2012实验室首席工程师顾亮 2014年11月，华为对外宣布与英国萨里大学的5GIC（5G创新中心）展开合作。2015年9月，全球首个5G测试床在萨里大学落成，覆盖面积4平方公里，华为提供全套设备。在昨天（5月26日）的萨里大学首届中国毕业典礼上，5GIC的主任Rahim Tafazolli教授，以及华为2012实验室首席工程师顾亮，就双方的合作进展进行了介绍，并探讨了5G未来的应用场景。 截止目前，华为已经向萨里大学的5GIC投资了500万英镑。据Rahim Tafazolli教授介绍，目前和华为合作的项目中，已经验证的成果有： 与BBC一起，通过移动网络传输4K超高清视频； 为物联网开发的稀疏码多址接入技术，可以在不增加频谱的情况下，系统上行连接数相对现有4G网络有300%的增益，吞吐率也有所提升。 Tafazolli强调，第二点非常重要，因为5G需要具备每平方公里连接100万台设备的能力，涉及到智能小炮出装

雷锋网消息 BuzzFeed的一份最新报告显示，Snap以不到100万美元的价格收购了威尼斯的一家小型无人机创业公司。 这并非第一次有传闻称Snap将收购无人机公司，不过此次正式收购Ctrl Me Robotics，意味着Snap正进一步推动其硬件战略。 据BuzzFeed报道，Snap收购了Ctrl Me Robotics的部分资产和设备，另外，作为交易的一部分，其创始人Simon Saito Nielsen将入职Snap。 据报道，还在两家商谈收购案时，Ctrl Me Robotics就已经逐渐开始走下坡路了，其网站不再可用，社交媒体也于10月停止了更新。 自Snap发布智能太阳镜Spectacles开始，就有传闻称其正在开发无人机或者其他智能硬件产品。 虽然这款智能太阳镜销量并不大，但对于Snap而言也是一笔价值数百万美元的不错的生意。 根据Snap在财报会议中透露的数据，它已经通过销售智能太阳镜获得了800万美元的收入，而且仍在继续研发新技术。小炮出装

5分钟前，柯洁再次败下阵来，人类最终全负于新版AlphaGo。 在刚结束的第三场比赛中，柯洁没有能再次发挥出上一盘人机对战中的状态，反倒被AlphaGo拖入了缠斗当中。局势随着棋局的进行不断落后，但是柯洁并没有放弃战斗，在官子阶段局部不断跟AlphaGo战斗。可惜劣势太大，无法扳回场面局势。 因为柯洁之前已经输了两盘比赛，柯洁与AlphaGo之间三番棋最终结局锁定在了0:3。昨天雷锋网已经为大家报道过的团队赛中，5名世界冠军组队挑战，向AlphaGo发起冲击的打算也并未奏效。 算上团队赛的失利，人类实际以4:0的比分输给了AlphaGo。 柯洁是如何输掉第三盘的？ 第三盘的开局可以用“堂堂正正”来概括，双方在棋局下方进行了相应的布局。 第一个变局发生在21手，柯洁先手进攻棋盘右下角区域，尝试试探AlphaGo的态度。后者不但没有回应，还转而在左侧补了一手。后续10手的战斗证明，柯洁之前对于右下角的进攻预测有一定失误，最终反而被迫脱先。 雷锋网前方记者还观察到，在随后的比赛当中，柯洁连续陷入长考，并且面上经常露出难色。不时轻轻摇头、挠头。 整体局面在44手之后再次发生变化，柯洁选择开始AlphaGo进行贴身战斗，一度部分挽回局面形势。连小炮出装

雷锋网按：本文作者张庆恒，原文载于作者个人博客，雷锋网已获授权。 由于需要学习语音识别，期间接触了深度学习的算法。利用空闲时间，想用神经网络做一个文本分类的应用， 目的是从头到尾完成一次机器学习的应用，学习模型的优化方法，同时学会使用主流的深度学习框架（这里选择tensorflow）。 文章分为两部分，本文仅实现流程，用简单的softmax回归对文本进行分类，后面一篇文章再从流程的各个方面对模型进行优化，达到比较好的效果。 收集数据 该部分不是这里的重点，数据从各大新闻网站爬取新闻文本，分十类保存到本地，包括科技、生活、体育、娱乐等。文本分别保存到training_set和testing_set目录下，如： $ tree -L 1 training_set/ training_set/ ├── 10_hel ├── 1_ent ├── 2_fin ├── 3_spo ├── 4_tec ├── 5_mil ├── 6_soc ├── 7_lif ├── 8_cul └── 9_car 文本以text_id.txt的格式保存在不同类的目录下（如text_1234.txt）。本例保存了共113673个训练文本和等数量的测试文本（暂时按1:1的比例）。 预处理文本 step0 为方便后面处理，小炮出装