官方文档地址

根据官方定义：libFuzzer is in-process, coverage-guided, evolutionary fuzzing engine.

其本身是llvm项目的一部分，和clang是亲兄弟，二者项目源码分别可见于https://github.com/llvm/llvm-project/tree/master/compiler-rt/lib/fuzzer和https://github.com/llvm/llvm-project/tree/master/clang，就在同一个仓库里面。

现在稍微新的版本的clang都已经内置libFuzzer了，所以Linux下直接apt install clang就安装完事了。

1. Fuzz Target

libFuzzer要求实现一个fuzz target作为被测对象的接口。

官方文档中的代码示例如下：

// fuzz_target.cc
extern "C" int LLVMFuzzerTestOneInput(const uint8_t *Data, size_t Size) {
  DoSomethingInterestingWithMyAPI(Data, Size);
  return 0;  // Non-zero return values are reserved for future use.
}

给的是个C++的源码，但实际上却通过extern "C"指定采用C风格的编译约定。所以实际上fuzz target的C语言原型如下：

int LLVMFuzzerTestOneInput(const uint8_t *Data, size_t Size);

名称参数返回值类型都不能动，并且注意参数中传来的字节数组Data是通过底层const修饰了的，也就是不允许修改其中数据。

fuzzer target（即LLVMFuzzerTestOneInput函数）目的是作为被测对象与libFuzzer库之间的一个中转接口，其作用在于接受libFuzzer提供的输入数据Data字节串，（可能还需要进行数据格式转换，）然后传递给实际的被测函数（如上述示例中的DoSomethingInterestingWithMyAPI）。

数据引用：bilibili AV5711740视频结束部分

直接放效果：

个人答案，仅供参考。

查看全部

页面含有超多数学公式，打开后需要等待很长时间才能彻底完成渲染和排版，尤其是移动设备。

个人答案，仅供参考。

查看全部

页面含有超多数学公式，打开后需要等待很长时间才能彻底完成渲染和排版，尤其是移动设备。

下文将会从数学定义和TensorFlow范数计算API两个方面进行讲解。

另外，numpy的范数计算API与TensorFlow基本一致，故以下内容也适用之。

对Hexo的主题进行升级，最头疼的莫过于配置文件（_config.yml）的处理。我们自己需要对它进行自定义配置，但是主题升级更新后它的内容也可能会有所改变，二者可能产生冲突。如果只是在升级后简单把旧的配置文件复制过去，当然是不合理的。

所以，正确的打开方式因该是：利用git的分支与合并功能，自动检查冲突或者快速合并。

Linux上的驱动配置本就麻烦还危险，再加上CUDA和cuDNN，嗯……，搭好一个环境估计又得多掉几根头发。但是！

这一切其实可以像apt install和pip install一样简单！

下文教程经Linux Mint（Ubuntu系）实证可用，如果不出岔子，feora、opensuse、rhel、sles这几个发行版应该也可以采用这种方式进行配置。

1. 基本概念

Keras模型都继承自keras.Model类，可以分为两种类型：

• 顺序（Sequential）模型：单输入单输出，且层与层之间首尾顺序相连，对应于常见的逐层相连的神经网络，可以使用keras.models.Sequential并依次add所需要的层进行快速构建。
• 使用函数式API的模型：对应于更加复杂的结构，如拥有多个输入或者输出，以及涉及到跨层连接，需要手动组织层之间的数据关系再调用keras.models.Model构建。

NexT主题内部已经集成了MathJax（其实还有KaTeX），相对而言，配置起来已经是很方便了。但在一些细节方面上还是存在各种小问题，这里记录一下解决方式。

版本信息：

Node.js: 11.10.1

Hexo: 3.8.0

NexT: 7.0.1