VC++进行64位整数网络字节序与主机字节序相互转换方法

基于VC++与MFC的仿QQ客户端开发实战:架构设计与核心模块实现 Windows桌面开发是理解操作系统原理与图形界面编程的重要领域。其核心在于事件驱动模型与消息循环机制,通过封装系统API构建高效的原生应用。在技术价值上,它强调性能优化、资源管理及与操作系统的深度集成,尤其适合对执行效率有严格要求的工具软件。应用场景广泛,从传统办公软件到工业控制界面均有涉及。本文以即时通讯(IM)客户端为例,深入剖析了使用VC++与MFC技术栈实现一个完整项目的全过程,涵盖了**网络通信**中的TCP粘包处理与心跳机制,以及**多线程**编程下的UI同步与数据安全等关键实战技巧,为深入掌 阅读详情

在windows 8.1 以后的版本直接就能用htonll和ntohll进行相互转换。其实此方法已实现,只是在windows 8.0及以下版本中并未开放,这里是微软件的实现方式(还有其它实现方式),经测试可用,这里将它摘出来,如下所示:

#define _WS2_32_WINSOCK_SWAP_LONG(l)                \
            ( ( ((l) >> 24) & 0x000000FFL ) |       \
              ( ((l) >>  8) & 0x0000FF00L ) |       \
              ( ((l) <<  8) & 0x00FF0000L ) |       \
              ( ((l) << 24) & 0xFF000000L ) )

#define _WS2_32_WINSOCK_SWAP_LONGLONG(l)            \
            ( ( ((l) >> 56) & 0x00000000000000FFLL ) |       \
              ( ((l) >> 40) & 0x000000000000FF00LL ) |       \
              ( ((l) >> 24) & 0x0000000000FF0000LL ) |       \
              ( ((l) >>  8) & 0x00000000FF000000LL ) |       \
              ( ((l) <<  8) & 0x000000FF00000000LL ) |       \
              ( ((l) << 24) & 0x0000FF0000000000LL ) |       \
              ( ((l) << 40) & 0x00FF000000000000LL ) |       \
              ( ((l) << 56) & 0xFF00000000000000LL ) )


#ifndef htonll
__inline unsigned __int64 LIBAPI htonll ( unsigned __int64 Value ) 
{ 
    const unsigned __int64 Retval = _WS2_32_WINSOCK_SWAP_LONGLONG (Value);
    return Retval;
}
#endif /* htonll */

#ifndef ntohll
__inline unsigned __int64 LIBAPI ntohll ( unsigned __int64 Value ) 
{ 
    const unsigned __int64 Retval = _WS2_32_WINSOCK_SWAP_LONGLONG (Value);
    return Retval;
}
#endif /* ntohll */

另外,如果是C#的话,使用IPAddress.HostToNetworkOrder方法直接就能转。

 

C++游戏登录器开发全解析:Win32网络编程与客户端架构实战 网络编程是客户端开发的核心基础,其本质在于实现不同主机间进程的数据交换。其原理基于TCP/IP协议栈,通过Socket接口建立连接、传输数据流。掌握网络编程对于构建稳定、高效的客户端应用具有重要技术价值,尤其在游戏、即时通讯等实时交互场景中。处理网络字节序、粘包拆包、超时重试等经典问题是工程实践的关键。本文以一份完整的C++游戏登录器源代码为标本,深入剖析了如何运用Win32 API与Winsock2库,实现包括用户认证、服务器列表管理、游戏更新在内的完整客户端启动流程。通过解析其自定义二进制协议、多线程通 阅读详情

相关推荐

基于Qt与C++构建跨平台网络流量监控工具:从抓包到可视化实战

网络流量监控是网络编程与系统运维中的基础而重要的技术,其核心在于捕获并分析流经网络接口的数据包。从原理上讲,它依赖于操作系统提供的底层接口(如libpcap/Npcap)或原始套接字,实现对以太网帧、IP、TCP/UDP等协议栈的逐层解析,从而提取源/目的地址、端口、协议类型及载荷大小等关键五元组信息。这项技术的工程价值在于,它能帮助开发者深入理解网络数据包的封装与传输过程,并为性能分析、安全监控和故障排查提供数据支撑。典型的应用场景包括实时监控本机或网络流量、分析应用程序的网络行为、排查异常连接等。本文将

diaohuyi6830的博客 344

网络公共函数(大小端字节转换、网卡/ip信息获取等。)

网络公共函数(大小端字节转换、网卡/ip信息获取等。)//NetCommmonFunction.h//网络公共函数(大小端字节转换、网卡/ip信息获取等。) #pragma once #include &lt;Windows.h&gt; #include &lt;list&gt; #include &lt;string&gt; //ip地址信息 typedef struct tagIpIn...

深之JohnChen的专栏 2087

C++实现局域网即时通信:从Winsock到ImGui的完整实战指南

网络编程是构建分布式应用的基础,其核心在于实现不同主机间的可靠数据交换。TCP/IP协议栈提供了传输层通信的基石,通过Socket接口,开发者可以建立连接、收发数据。在Windows平台,Winsock库是实现网络通信的标准API,它封装了底层细节,让开发者能够专注于应用逻辑。多线程技术在此场景下至关重要,它能将耗时的网络I/O操作与用户界面响应分离,避免程序卡顿,提升用户体验。结合自定义消息协议,可以解决TCP流式传输中的粘包问题,确保数据完整性。这些技术的综合运用,使得开发轻量级、高性能的局域网通信工具

weixin_30268071的博客 389

C语言实现数据字节序交换的四种方式

1关于数据字节序的说明1)关于字节序的说明字节序有两种大端和小端。大端:数据高位存放在低地址,地位放在高地址。如0x12345678在内存中存放为地址从左到右为低到...

轻松学C语言 3894

MemoriPy:Python跨平台进程内存操作与注入实战指南

进程内存操作是系统编程、逆向工程与安全研究中的核心技术概念,它允许程序访问和修改其他进程的地址空间。其原理基于操作系统提供的底层API,如Windows的VirtualAllocEx/ReadProcessMemory和Linux的ptrace/proc文件系统,通过虚拟内存管理机制实现进程间的隔离与受控交互。这项技术的核心价值在于赋能调试、自动化测试、游戏修改与安全分析等场景,开发者无需深入编写复杂的平台相关C/C++代码,即可实现高效的内存读写、动态分析与行为干预。MemoriPy作为一个纯Python

weixin_30512043的博客 408

CTF逆向工程实战:从查壳到算法还原的完整流程解析

逆向工程是信息安全领域的核心技术之一,它通过对二进制程序进行反汇编、调试和分析,来理解其内部逻辑与运行机制。其基本原理是借助静态分析工具(如IDA Pro)和动态调试器(如x64dbg),将机器码转换为可读的伪代码,并跟踪程序执行时的数据流。这项技术的核心价值在于漏洞挖掘、恶意软件分析和软件保护评估。在CTF竞赛和软件安全测试等应用场景中,逆向工程师常需处理加壳保护、算法混淆等问题。本文以一道典型CTF逆向题目为例,系统讲解从环境搭建、查壳脱壳、动静结合分析到最终算法还原与脚本编写的完整实战流程,其中涉及对

weixin_33725807的博客 395

各种进制的前缀后缀表示

我们都知道int a=0xFF; 其中a就是255,0x前缀代表十六进制的意思。 那么二进制,八进制分别用什么前缀表示呢? Java Eclipse中: int a= 0xFF; 十六进制,a=255,0x前缀(0是数字) System.out.printlin(a); 结果是255; int b= 0123; 八进制,b=83,数字0前缀...

weixin_33812433的博客 7616

逆向工程实战:从IDA Pro静态分析到x64dbg动态调试完整指南

逆向工程是软件安全、漏洞挖掘和恶意软件分析领域的核心技术,其核心原理是通过反汇编、调试等手段,将编译后的二进制程序还原为可理解的逻辑与算法。这项技术的价值在于能够深入理解闭源软件的内部工作机制,识别潜在安全风险,或恢复丢失的源代码。在工程实践中,逆向分析广泛应用于软件兼容性研究、遗留系统维护、安全评估和CTF竞赛等场景。掌握静态分析工具(如IDA Pro、Ghidra)与动态调试工具(如x64dbg、GDB)的组合使用,是高效完成逆向任务的关键。本文以实战案例“figugegl”为切入点,系统讲解从文件探查

weixin_30673611的博客 325

【C++基础】字节顺序:大端存储顺序、小端存储顺序

需要注意的是,结构体对其规则可能因编译器和编译选项而异,因此在使用结构体来判断字节序时需要特别小心,最好使用特定的类型定义和编译选项来确保对其规则的一致性。也就是说,最低位的字节存储在最低的地址上,而最高位的字节存储在最高位的地址上。在小端存储中,结构体的最后一个成员变量的地址和整个结构体的地址相同。可以利用结构体来判断系统的字节序,其基本原理是利用结构体的对齐规则来判断不同字节序下结构体的大小和成员变量的内存地址。也就是说,最高位的字节存储在最低的地址上,而最低位的字节存储在最高的地址上。

m0_56573171的博客 1693

64位网络字节序与主机字节序转换

unsigned long long ntohll(unsigned long long val) { if (__BYTE_ORDER == __LITTLE_ENDIAN) { return (((unsigned long long )htonl((int)((val > 32))) > 32)); } else i

Keivin 6273

智能安防摄像头埋点实践:用户行为与设备状态的闭环监控(含AI事件)

智能安防摄像头埋点闭环体系设计及应用实践 摘要: 本文系统阐述了智能安防摄像头埋点闭环体系的设计与实践。首先分析了传统埋点的不足及闭环埋点的价值,提出由用户行为埋点、设备状态埋点和AI事件埋点构成的三维埋点体系框架。详细介绍了闭环监控的四大流程:数据采集、汇聚清洗、分析建模和智能决策。通过误报优化、个性化策略等案例展示了AI事件闭环的实际应用价值,并探讨了隐私合规、性能优化等关键挑战的解决思路。最后展望了端侧AI增强、预测型埋点等未来发展趋势。该体系实现了从数据采集到业务决策的完整闭环,有效提升了AI模型性

专注智能硬件软硬件产品经理成长与实战,分享从需求定义到量产落地的真实日记。涵盖IoT趋势洞察、研发协作经验、产品方法论与工具箱,用轻松有趣的“汪式”视角,陪伴产品经理成长、避坑与升级。 1051

htonll和ntohll函数的实现

由于机器之间存在大小端的问题,所以需要一个统一的标准,那就是网络字节序,目前我们所知道的就是htonl,ntohl, htons,ntohs,这些用的比较多一些,对于long long类型还不知道怎么转换,下面我将给出具体解决办法,其实用到了htonl和ntohl和移位操作。 #include <stdio.h> #include <arpa/inet.h> #i...

孤独行者的专栏 1万+

数字IC后端设计实现 | PR工具中到底应该如何控制density和congestion?(ICC2&Innovus)

数字IC后端设计实现中到底应该如何控制cell density和congestion?(ICC2和Innovus两种解决方案)

weixin_37584728的博客 7113

VC++实战IPv6报文封装:从协议解析到原始套接字实现

网络协议栈是计算机通信的基石,其核心在于数据包的封装与解析。IPv6作为下一代互联网协议,通过128位地址空间、固定40字节简化报头和模块化扩展头等设计,从根本上解决了IPv4的地址枯竭与扩展性问题,为物联网、高性能音视频传输等场景提供了技术基础。理解其报文结构、流标签、扩展头链等原理,是进行底层网络编程和性能优化的关键。在Windows平台下,借助VC++和Winsock API,开发者可以深入实践从地址处理、结构体定义到校验和计算、原始套接字发送的全过程,从而为工业物联网网关、网络测试工具等应用构建高效

weixin_33928137的博客 405

python 中心线提取_二值分析 | OpenCV + skimage如何提取中心线

点击上方蓝字关注我们微信公众号:OpenCV学堂关注获取更多计算机视觉与深度学习知识问题前几天有个人问了我一个问题,问题是这样的,他有如下的一张二值图像:怎么得到白色Blob中心线,他希望的效果如下:显然OpenCV中常见的轮廓分析无法获得上面的中心红色线段,本质上这个问题是如何提取二值对象的骨架,提取骨架的方法在OpenCV的扩展模块中,另外skimage包也支持图像的骨架提取。这里就...

weixin_42204453的博客 4290

跟着团子学SAP CO:熟练使用结果分析码实现各个场景下收入成本的匹配(一) KKA2/CJ88

PS模块中对财务顾问最难的点在于项目结算,特别是销售型的项目结算。针对客户型项目结算我列举了以下常见的收入成本匹配的一些场景: (1)在项目执行过程中会多次开票,但由于各期成本浮动很大(如前期可能只涉及一些人工、中期全是比较金额较大的材料费),所以希望开票的时候能通过合理的一些指标进行主营业务成本与主营业务收入的匹配。 (2)项目过程中会多次开票,开票确认主营业务收入时,直接将累计发生的实际成本结转为主营业务成本。 (3)项目过程中虽多次开票,但不确认收入,所有发生的实际成本月末计算为在制品,最后项目一次性

Lucas1211的博客 9536

C++精准数据类型实战:从int到int32_t的工程选择与避坑指南

在编程语言中,数据类型是构建软件的基础单元,它定义了数据的存储方式、取值范围和运算规则。C++作为一门贴近硬件的系统级语言,其数据类型体系尤为复杂,基本类型如int、long的宽度在不同平台下存在差异,这直接影响了程序的可移植性和安全性。理解数据类型的底层原理,掌握精准类型的使用场景,是编写健壮、高效代码的关键技术能力。通过引入固定宽度整数类型(如int32_t、uint64_t)和语义明确的类型别名(如size_t、ptrdiff_t),开发者可以确保代码在不同硬件架构和操作系统上行为一致,避免因类型宽度

aofan9566的博客 485

【报错解决】OpenClaw 报错 FetchError: request to [https://registry.npmjs.org/](https://registry.npmjs.or

在国产基础软件与云原生生态逐步成熟的背景下,越来越多的开发者开始尝试将 Web 前端、AI 推理、系统服务等组件部署到国产操作系统与国产云环境中。我所在的项目正是这样一个场景: 我们基于 OpenClaw 构建一套云端 AI 管理平台,用于统一管理模型服务、前端控制台与后台 API。

博客 1755

C/C++结构体深度解析:内存对齐、工程实践与高级技巧

结构体是C/C++语言中用于组织和管理数据的核心基础概念,它允许将不同类型的数据成员组合成一个逻辑整体。其内存布局遵循对齐原则,这是由现代CPU硬件架构决定的,旨在优化内存访问性能。理解内存对齐、字节序和编译器扩展(如#pragma pack)对于编写高性能、可移植的代码至关重要。在工程实践中,结构体不仅是数据容器,更是定义数据契约、映射硬件寄存器和解析网络协议的关键工具。通过合理使用结构体,可以显著提升代码的可读性、可维护性和安全性,避免浅拷贝等常见陷阱。在嵌入式系统、网络编程和高性能计算等应用场景中,结

weixin_30847865的博客 418

LeRobot 官方论文:一个用于端到端机器人学习的开源库

本文介绍了一个名为LeRobot的开源库,旨在解决机器人学习领域的碎片化问题。该库提供了端到端的技术栈,包括统一的机器人中间件API、标准化的数据集格式(LeRobotDataset)、优化的推理栈以及多种最先进机器人学习算法的实现。LeRobot支持多种低成本开源机器人平台(如SO-10X、ALOHA-2等),通过共享中间件实现便捷的遥操作和数据收集。其数据集格式已广泛应用于社区,截至2025年9月已有16,000多个数据集公开共享。该库还支持流式处理大规模数据,降低了研究门槛。在模型方面,LeRobot

2506_90492529的博客 910

基于Matlab生成并可视化多架飞机轨迹仿真(附源码)

这使我们可以轻松地对直线和恒定转弯进行建模,并具有额外的自由度,可以在直线段和曲线段之间平滑过渡。同样,空气中的物体会经历重力的影响,遵循抛物线(二次)路径。需要更多的航点来适应这些变化,但是轨迹的其余部分需要更少的点。第三个轨迹,如下所示,代表了一架速度更高的飞机。它由两个恒定的转弯组成,飞机在第二个转弯的中间减速。一旦知道(并设置了)物体穿过空间的物理路径,物体的速度作为行进距离的函数就通过三次埃尔米特插值来确定。在此示例中,学习了内部使用的插值符背后的概念,并展示了如何使用少量航点重现场景。

珞瑜的博客 5466

从二进制文件逆向工程:AI辅助与传统工具实战指南

逆向工程是理解软件内部逻辑的关键技术,尤其在源码缺失时,通过分析二进制文件来还原程序行为。其核心原理涉及静态与动态分析:静态分析通过反汇编工具(如Ghidra)将机器码转换为可读的伪代码,揭示程序结构;动态分析则借助调试器(如GDB)观察运行时状态,验证逻辑推断。这项技术的价值在于安全研究、漏洞挖掘和恶意软件分析,广泛应用于软件审计、CTF竞赛和遗留系统维护。随着AI技术的发展,ProgramBench等项目探索了利用大语言模型直接从二进制中理解语义的新范式,为逆向工程自动化提供了新思路。本文以实际案例演示

weixin_30430169的博客 324

第3.4章 机器人第三方库实战总结(四):G2O优化库从入门到实战(附SLAM实例代码)

自定义边同样是满足复杂应用需求的重要手段。自定义边时,需要明确边所连接的顶点类型以及边所表示的误差项的计算方式。假设我们要定义一条边,用于约束两个上述自定义顶点之间的相对位姿和传感器偏移量关系。我们可以这样定义边类:public:// 计算误差// 计算雅可比矩阵// 读盘和存盘函数,这里暂不实现。

行知SLAM 363

零符号引擎:无符号静态分析量化评估Windows RPC攻击面风险

远程过程调用(RPC)是分布式系统中进程间通信的核心机制,它允许程序调用位于不同地址空间(通常是另一台机器上)的过程或函数。其工作原理基于客户端-服务器模型,通过特定的协议序列进行数据序列化、传输与反序列化。在Windows生态中,RPC是众多系统服务与组件通信的基石,其安全性直接关系到整个系统的攻击面。从技术价值看,对RPC接口进行系统性的安全评估,能够变被动防御为主动风险管控,在漏洞被公开或利用前识别潜在薄弱点。这尤其适用于红蓝对抗、渗透测试以及系统架构的主动加固等应用场景。本文聚焦的“零符号引擎”项目

weixin_33794672的博客 512

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

简单实用算法——字节位序反转

反转一个字节说的是位序反转,别将它和大端转小端混淆了,所谓大端和小端指的是字节序。字节位序反转的实现算法很多,就是看看谁的算法效率更高了。高手不是能写出最美丽的程序而是能写出既美丽同时效率又是最高的程序。如果一个人写的程序很美丽,很直观,只能说明该程序员对语言掌握的很好,但是语言毕竟只是工具,真正做事的是计算机,只有对计算机很了解,才能写出效率最高的程序。正如文学家的文笔很多不如花季少女,但是花季少女永远也超越不了时代。

Nasus_GT的博客 1816

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

网络字节序与主机字节序的相互转换

1.网络字节序与主机字节序在Linux网络编程中,经常碰到网络字节序与主机字节序的相互转换。说到网络字节序与主机字节序需要清晰了解以下几个概念。字节序,顾名思义,指字节在内存中存储的顺序。比如一个int32_t类型的数值占用4个字节,这4个字节在内存中的排列顺序就是字节序。字节序有两种: (1)小端字节序(Little endinan),数值低位存储在内存的低地址,高位存储在内存的高地址; (2

Doublelv 的博客专栏。 1万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

上一篇: VC++编译找不到头文件和Rebuild失败问题
下一篇: VC++下SYSTEMTIME时间与C#下DateTime时间的相互转换
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值