探讨了语言的分类方式：编译型语言和解释型语言，动态类型语言和静态类型语言，以及Python对象是如何实现的，Python是如何实现多态和垃圾回收机制。
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2018/07/09/python%e5%af%b9%e8%b1%a1%e6%8e%a2%e7%a9%b6/
相关推荐
-
智能体安全-工具调用攻击与防御
报告围绕智能体工具调用安全展开，介绍智能体工作原理及其与传统AI模型、大模型安全的联系与区别，分析工具调用带来的新型攻击面。重点结合AutoCMD与ToolSafe，讲解动态工具调…
-
操作系统与内核安全基础
本次报告从计算机的总体结构切入，介绍的了计算机系统的分层体系结构；对操作系统及其内核的做了详细说明，包括操作系统与操作系统内核的关系，以及操作系统内核的主要功能等内容；报告还分析了…
-
面向深度学习组件的漏洞挖掘
人工智能软件系统的安全逐渐受到人们的重视，深度学习软件库存在的缺陷可能威胁到框架之上的模型和系统，目前仍然缺少深度学习软件库测试的系统方法。面对深度学习安全领域，针对深度学习软件库…
-
智能模型的不确定性估计
智能模型的不确定性是模型内生脆弱性问题的重要表征之一，反映了模型对输入数据预测结果的可信程度，包含了对数据和模型两方面缺陷的量化估计。本次报告介绍了模型不确定性估计工作基本概念，讲…
-
网络拓扑混淆技术
这篇报告围绕网络拓扑混淆技术展开，首先阐述了网络拓扑脆弱性及攻击者推理真实结构的威胁，强调了混淆防御的重要性。报告详细介绍了AntiTomo和EigenObfu两种主流方法，包括各…
-
如何优雅地进行模型训练
本次报告介绍了机器学习模型训练过程中的显存优化方法。首先介绍了深度学习框架的显存利用机制，随后结合原理和具体实例讲解了“代码级”和“框架级”显存优化方法，引导大家在实际科研过程中更…
-
DNN中的理论可解释性
自DNN诞生起，人们就开始尝试对其解释。若要对DNN进行定量、严谨的解释，数学层面的理论构建是必要的。本次报告介绍了基于博弈论Shapley Value构建的DNN可解释性理论体系…
-
大模型驱动的软件漏洞PoC自动生成方法
本报告围绕大模型驱动的软件漏洞PoC自动生成展开，介绍漏洞触发、污点分析与动态验证等基础，并重点解析PoCGen与PoCEvolve两种方法。报告强调结合LLM、程序分析和执行反馈…
-
GBDT梯度提升决策树
梯度提升决策树（GBDT）是集成学习中梯度提升方法（Gradient Boost）与决策树（Decision…
