chore: Syntax Highlighting

3.编程思维体系构建/3.6.5CS61A食用指南.md

@@ -99,15 +99,21 @@ cs61a 绝对是一个挑战，但是我们都希望你学习并且成功，所
 
 要使用 Ok 来运行指定函数的 doctests，请运行以下命令
 
-```python3 ok -q <specified function> #会和你要补充的代码一起给出```
+```bash
+python3 ok -q <specified function> #会和你要补充的代码一起给出
+```
 
 默认情况下，只有没有通过的测试才会出现。你可以使用-v 选项来显示所有的测试，包括你已经通过的测试
 
-```python3 ok -v```
+```bash
+python3 ok -v
+```
 
 有时我们会看到类似这样的 ok 指令
 
-```python3 ok -q control -u```
+```bash
+python3 ok -q control -u
+```
 
 在终端中输入后，需要按照要求回答问题，有些时候会做为某些函数测试的前置条件
 

4.人工智能/4.6.4Pytorch安装.md

@@ -17,7 +17,7 @@ Pip 在通过 python 官网下载 python 并安装时可以选择同时安装 pi
 3. 对于 Windows 用户，在 C:\Users\xx\pip 目录下（没有 pip 目录就新建）创建一个 pip.ini 文件，并将下面代码块中内容复制进去：
 4. 对于 Linux 用户，同样在~/.pip/pip.conf 进行配置。如果没有.pip 目录就新建，然后将下面代码块中内容复制进去：
 
-```
+```bash
 [global]
 index-url = http://pypi.douban.com/simple
 extra-index-url = https://pypi.mirrors.ustc.edu.cn/simple/

4.人工智能/4.6.5.2.1数据读取.md

@@ -20,7 +20,7 @@ PyTorch 中的 Dataset 类是一个抽象类，它可以用来表示数据集。
 
 下面我们来编写一个简单的例子，看下如何使用 Dataset 类定义一个 Tensor 类型的数据集。
 
-```
+```python
 import torch
 from torch.utils.data import Dataset
 
@@ -43,7 +43,7 @@ class MyDataset(Dataset):
 
 然后我们来看一下如何调用刚才定义的数据集。首先随机生成一个 10*3 维的数据 Tensor，然后生成 10 维的标签 Tensor，与数据 Tensor 相对应。利用这两个 Tensor，生成一个 MyDataset 的对象。查看数据集的大小可以直接用 len() 函数，索引调用数据可以直接使用下标。
 
-```
+```python
 # 生成数据
 data_tensor = torch.randn(10, 3)
 target_tensor = torch.randint(2, (10,)) # 标签是0或1
@@ -67,7 +67,7 @@ DataLoader 是一个迭代器，最基本的使用方法就是传入一个 Datas
 
 DataLoader 类的调用方式如下：
 
-```
+```python
 from torch.utils.data import DataLoader
 tensor_dataloader = DataLoader(dataset=my_dataset, # 传入的数据集, 必须参数
                                batch_size=2,       # 输出的batch大小
@@ -143,7 +143,7 @@ MNIST 数据集是 ubyte 格式存储，我们先将“训练集图片”解析
 
 以 MNIST 为例，我们可以用如下方式调用：
 
-```
+```python
 # 以MNIST为例
 import torchvision
 mnist_dataset = torchvision.datasets.MNIST(root='./data',
@@ -173,7 +173,7 @@ torchvision.datasets.MNIST 是一个类，对它进行实例化，即可返回
 
 如果想要查看 mnist_dataset 中的具体内容，我们需要把它转化为列表。（如果 IOPub data rate 超限，可以只加载测试集数据，令 train=False）
 
-```
+```python
 mnist_dataset_list = list(mnist_dataset)
 print(mnist_dataset_list)
 ```
@@ -182,7 +182,7 @@ print(mnist_dataset_list)
 
 这里图像数据是 PIL.Image.Image 类型的，这种类型可以直接在 Jupyter 中显示出来。显示一条数据的代码如下。
 
-```
+```python
 display(mnist_dataset_list[0][0])
 print("Image label is:", mnist_dataset_list[0][1])
 ```

4.人工智能/4.6.5.2.2数据增强.md

@@ -27,7 +27,7 @@ Torchvision 库中的 torchvision.transforms 包中提供了常用的图像操
 
 我们来看一个具体的例子加深理解。将图片进行一下数据类型的相互转换。具体代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -68,7 +68,7 @@ torchvision.transforms 提供了丰富的图像变换方法，例如：改变尺
 
 将输入的 PIL Image 或 Tensor 尺寸调整为给定的尺寸，具体定义为：
 
-```
+```python
 torchvision.transforms.Resize(size, interpolation=2)
 ```
 
@@ -81,7 +81,7 @@ torchvision.transforms.Resize(size, interpolation=2)
 
 在 resize 之后呢，一般会接一个 crop 操作，crop 到指定的大小。对于高与宽接近的图片来说，这么做问题不大，但是高与宽的差距较大时，就会 crop 掉很多有用的信息。关于这一点，我们在后续的图像分类部分还会遇到，到时我在详细展开。
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -105,7 +105,7 @@ torchvision.transforms 提供了多种剪裁方法，例如中心剪裁、随机
 
 先说中心剪裁，在中心裁剪指定的 PIL Image 或 Tensor，其定义如下：
 
-```
+```python
 torchvision.transforms.CenterCrop(size)
 ```
 
@@ -113,7 +113,7 @@ torchvision.transforms.CenterCrop(size)
 
 然后是随机剪裁，在一个随机位置剪裁指定的 PIL Image 或 Tensor，定义如下：
 
-```
+```python
 torchvision.transforms.RandomCrop(size, padding=None)
 ```
 
@@ -121,13 +121,13 @@ torchvision.transforms.RandomCrop(size, padding=None)
 
 最后要说的是 FiveCrop，我们将给定的 PIL Image 或 Tensor ，分别从四角和中心进行剪裁，共剪裁成五块，定义如下：
 
-```
+```python
 torchvision.transforms.FiveCrop(size)
 ```
 
 size 可以是 int 或 tuple，用法同上。掌握了各种剪裁的定义和参数用法以后，我们来看一下这些剪裁操作具体如何调用，代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -158,13 +158,13 @@ for img in imgs:
 
 以概率 p 随机水平翻转图像，定义如下：
 
-```
+```python
 torchvision.transforms.RandomHorizontalFlip(p=0.5)
 ```
 
 以概率 p 随机垂直翻转图像，定义如下：
 
-```
+```python
 torchvision.transforms.RandomVerticalFlip(p=0.5)
 ```
 
@@ -172,7 +172,7 @@ torchvision.transforms.RandomVerticalFlip(p=0.5)
 
 这里的随机翻转，是为数据增强提供方便。如果想要必须执行翻转操作的话，将 p 设置为 1 即可。图片翻转代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -212,7 +212,7 @@ display(img2)
 
 torchvision.transforms 提供了对 Tensor 进行标准化的函数，定义如下：
 
-```
+```python
 torchvision.transforms.Normalize(mean, std, inplace=False)
 ```
 
@@ -224,7 +224,7 @@ torchvision.transforms.Normalize(mean, std, inplace=False)
 
 我们来看看以 (R, G, B) 均值和标准差均为 (0.5, 0.5, 0.5) 来标准化图片后，是什么效果：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -254,7 +254,7 @@ display(img_norm)
 
 Compose 类是将多个变换组合到一起，它的定义如下：
 
-```
+```python
 torchvision.transforms.Compose(transforms)
 ```
 
@@ -262,7 +262,7 @@ torchvision.transforms.Compose(transforms)
 
 我们还是结合例子动手试试，如果我们想要将图片变为 200*200 像素大小，并且随机裁切成 80 像素的正方形。那么我们可以组合 Resize 和 RandomCrop 变换，具体代码如下所示：
 
-```
+```python
 from PIL import Image
 from IPython.display import display
 from torchvision import transforms 
@@ -292,7 +292,7 @@ Compose 类是未来我们在实际项目中经常要使用到的类，结合 to
 
 我们还是以读取 MNIST 数据集为例，看下如何在读取数据的同时，完成数据预处理等操作。具体代码如下：
 
-```
+```python
 from torchvision import transforms
 from torchvision import datasets
 
@@ -320,7 +320,7 @@ print(type(item[0]))
 
 我们下面先来看看，在图像分类实战中使用的 transform，可以感受一下实际使用的 transforms 是什么样子：
 
-```
+```python
 transform = transforms.Compose([
     transforms.RandomResizedCrop(dest_image_size),
     transforms.RandomHorizontalFlip(),

4.人工智能/4.6.8.8SimSiam.md

@@ -48,9 +48,8 @@ BYOL 之后，大家都发现对比学习是靠许许多多的小 trick 和技
 
 下面是这些网络训练结果的对比，也列出了它们分别有哪些 trick（用的是分类任务）
 
-```
                                    负样本    动量编码器             训练轮数 
-```
+
 
 ![](https://cdn.xyxsw.site/boxcn3uizAKNhAxQryOwvHxFSDb.png)
 

4.人工智能/ch02/ch2.1/ch2.1.1/itemcf.md

@@ -97,7 +97,7 @@ $$
    print(similarity_matrix)
    ```
 
-   ```
+   ```python
           A         B         C         D         E
    A  1.000000 -0.476731 -0.123091  0.532181  0.969458
    B -0.476731  1.000000  0.645497 -0.310087 -0.478091
@@ -124,7 +124,7 @@ $$
    print(f'与物品{target_item}最相似的{num}个物品为：{sim_items}')
    ```
 
-   ```
+   ```python
    与物品E最相似的2个物品为：['A', 'D']
    ```
 
@@ -147,7 +147,7 @@ $$
    print(f'用户{target_user}对物品{target_item}的预测评分为：{target_item_pred}')
    ```
 
-   ```
+   ```python
    用户 Alice 对物品E的预测评分为：4.6
    ```
 

4.人工智能/ch02/ch2.1/ch2.1.1/usercf.md

@@ -234,7 +234,7 @@ UserCF算法的两个步骤：
    print(similarity_matrix)
    ```
 
-   ```
+   ```python
              1         2         3         4         5
    1  1.000000  0.852803  0.707107  0.000000 -0.792118
    2  0.852803  1.000000  0.467707  0.489956 -0.900149
@@ -253,7 +253,7 @@ UserCF算法的两个步骤：
    print(f'与用户{target_user}最相似的{num}个用户为：{sim_users}')
    ```
 
-   ```
+   ```python
    与用户 Alice 最相似的2个用户为：['user1', 'user2']
    ```
 
@@ -277,7 +277,7 @@ UserCF算法的两个步骤：
    print(f'用户{target_user}对物品{target_item}的预测评分为：{target_item_pred}')
    ```
 
-   ```
+   ```python
    用户 Alice 对物品E的预测评分为：4.871979899370592
    ```
 

6.计算机安全/6.2.3漏洞挖掘、漏洞利用.md

@@ -16,7 +16,7 @@
 
 以最基本的 C 语言为例，C 语言的函数局部变量就保存在栈中。
 
-```C
+```c
 #include<stdio.h>
 int main()
 {
@@ -33,7 +33,7 @@ int main()
 可以发现`ch`和`ch2`刚好差`8`个字节，也就是`ch`的长度。
 `ch`只有`8`个字节，那么如果我们向`ch`中写入超过`8`个字节的数据呢？很显然，会从`ch`处发生溢出，写入到`ch2`的空间中，覆盖`ch2`的内容。
 
-```C
+```c
 #include<stdio.h>
 int main()
 {
@@ -54,7 +54,7 @@ int main()
 
 对于以上程序，“栈溢出”带来的后果仅仅是修改了局部变量的值，会造成一些程序的逻辑错误：
 
-```C
+```c
 #include<stdio.h>
 int main()
 {
@@ -81,7 +81,7 @@ int main()
 
 在 C 语言编译之后，通常会产生汇编语言，汇编语言的字节码可以直接在物理 CPU 上运行。而 C 语言函数调用会被编译为如下形式：
 
-```C
+```c
 #include<stdio.h>
 int add(int a,int b)
 {
@@ -187,20 +187,20 @@ ROP 网上已有非常系统的资料，在这里不做过多的叙述，可参
 
 格式化字符串的利用思路来源于`printf`函数中的`%n`format 标签，该标签的作用和`%s`、`%d`等不同，是将已打印的字符串的长度返回到该标签对应的变量中。在正常情况下的使用不会出现什么问题：
 
-```C
+```c
 printf("abcd%n",&num);
 //输出abcd,并且num的值为4
 ```
 
 但如果在编写代码时忘记 format 字符串：
 
-```C
+```c
 printf(something_want_print);
 ```
 
 此时若攻击者可以自定义该字符串，就可以使用`%d`、`%p`、`%s`等打印栈上数据，或者`%n`来覆写栈上的数据，如果覆写了返回地址，就可以实现任意代码执行。
 
-```C
+```c
 char ch[20];
 scanf("%s",ch);// 输入 %d%n%n%n%n%n
 printf(ch);

9.计算机网络/9.1计网速通.md

@@ -283,7 +283,7 @@ TLS 建立在 TCP 的基础上，他会通过加密来确保传输过程中数
 
 相信在看这篇文章的大家都正在使用互联网，如果你正在使用windows设备，你可以先按 `win`+`R` ，输入 `cmd`，在弹出的窗口输入 `ipconfig` 你可以看到里面有一串类似于下文的内容：
 
-```
+```powershell
 无线局域网适配器 WLAN:
 
    连接特定的 DNS 后缀 . . . . . . . :