从0开始你的网络安全事业

【愚公系列】《网络安全应急管理与技术实践》 002-网络安全应急管理(等保2.0) 网络安全等级保护是中华人民共和国国家互联网信息办公室于2014年发布的《信息安全等级保护管理办法》中提出的一种网络安全保护机制。该机制是为了应对日益增长的网络安全威胁和风险,保护国家重要信息基础设施和网络关键信息系统的安全而制定的。网络安全等级保护的由来与我国网络安全形势紧密相关。随着互联网技术的迅猛发展,网络安全威胁与日俱增,黑客攻击、病毒传播、信息泄露等事件频繁发生。这些事件不仅对个人和组织造成了巨大的经济损失,更可能对国家安全和社会稳定造成严重威胁。 阅读详情

即便一个人对网络安全事业充满了热情,但想要成功进入该领域依然是一项艰巨的任务。尽管教育市场充斥无数着学位、证书和培训项目,但与此同时,专业人士却无情嘲笑着这些从培训结构出来的“脚本小子”。

接触过很多安全教育和培训机构,也见过无数试图挣扎着从学校或其他行业过渡到信息安全领域的人,看着这些人迷茫无助,听从错误的建议全力以赴,却与真正的网络信息安全事业背道而驰甚至渐行渐远,我不禁痛心疾首。谨以本篇文章溯本清源,以正视听:

本篇将分别从以下几个部分介绍网络安全事业,希望可以作为部分或整体帮助大家,希望您在我们的领域取得成功,欢迎随时在QQ群826808788提出问题或留下评论/抱怨/建议。

第 1 部分:基本原理

第一个方面,很不幸的说,即便面对互联网上无止境的黑客工具教程和安全书籍,许多信息安全求职者还没有掌握两个基本概念:

1.要破解某些东西(或保护它免受黑客攻击),您必须对该事物的工作原理有充分的了解。

2.网络安全不是像医生、老师、公务员那种铁饭碗,也不是一个一劳永逸,一成不变的工作,不是一个可以在您下班或放学回家后放在盒子里的职业。您必须对该领域充满热情,才能不断学习并了解瞬息万变的行业动态时事。如果您想要一份在下午 5:00 回家后就可以忘记的职业,网络安全可能不是正确的选择。

总的来说,关于**“网络安全”和“黑客攻击”的真正有趣之处正在于如何从各种 IT 学科的知识中大量汲取知识**。如果不深入了解网络端口、协议和架构,就很难理解攻击、恶意软件流量或入侵。同样,如果不深入了解操作系统架构、硬盘结构或编程基础知识,就很难理解恶意软件或识别系统危害。

人们有一种误解,认为老练的攻击者会使用大量恶意软件和漏洞,而事实并非如此。越是优秀的黑客,就越善于利用现有的软件和工具在任何可能的情况下破坏网络。 恶意软件只会带来更多的检测和取证的风险。

如果您正在考虑从事网络安全方面的职业,请评估您对基本计算机科学和网络概念的了解程度。如果您在其中一个方面较弱,请考虑在B站上看一些名校的公开课。仅仅看什么 Metasploit 或 kali linux 教程不会教你如何成为一名优秀的黑客。

这些教程最终也只能让你了解Metasploit模块和通信的工作原理,或者Windows密码是如何存储和传递的。在所有情况下,一个熟悉数据结构的求职者比能执行msf控制台的求职者更有价值

像计算机组成原理,计算机网络,操作系统,数据结构,底层编程语言这些都是基础,大学打的是基础,这也是很多培训机构无法覆盖到的。基础学会之后,学习其他语言就只是语法问题,一上来就学 Python,学半天都搞不懂什么内存,指针,搞不懂什么叫面向对象,也没有触类旁通的能力。

第二个方面,程序员不一定是黑客,但黑客肯定是程序员。虽然有些黑客编程能力差,但也只能说明代码组织能力比较弱。而计算机相关的基础知识必须的是实打实的和广泛涉猎的,所以一些基础弱爆导致写代码一塌糊涂的CURD码农就别整体意淫自己虽然代码写的烂也能成为碉堡的黑客了。

第三个方面,信息安全工作被宣传为高薪和前沿,因此每年的毕业生和报专业的人激增。不幸的是,对于任何培训机构或学校来说,成为一名优秀的安全专业人员都是非常困难的。如果没有自己本身对学习更多、提高技能和不断研究新技术的兴趣,一个好的学习圈子和氛围,也仅仅只能使你在门槛的边缘不断徘徊。

第 2 部分:教育和认证

关于安全行业中学历重不重要,证书重不重要的争论是一场持续而激烈的争论,并且可能仍旧会持续相当长的一段时间。我经常被问到是否需要获得xxxx…学位、xxxxx…证书才能进入信息安全领域。就目前为止,答案通常是否定的。面试官_通常_在面试一些初级人员时会将动机、批判性思维和自学能力放在首位,而一份简历中所包含的与该领域相关的个人项目、比赛经历、有没有在一些平台发表过原创文章,这通常是比学位更好的对话启动器。

话虽如此,但也有一些值得注意的例外。政府机构和大公司仍然倾向于高度重视学位,甚至可能拒绝放弃学位作为其招聘机构的要求。因此,如果没有学位,简历可能会被强制性的计算机化人力资源筛选简单地忽略。

其次,在这些类型的组织中,薪酬等级或晋升可能取决于是否拥有学位,因此没有学位的人可能不得不考虑去其他地方就业。这就需要您去了解您正在寻找工作的地方的要求。

就个人而言,在能力范围允许的情况下,获得好的学位当然会为你增加筹码,但专门获得信息安全学位并没有多大价值。

第 3 部分:信息安全领域的划分

闻道有先后,术业有专攻。

在 19 世纪的某个时期, “科学家”通常意味着通才——受人尊敬的科学家需要具有数学、生物学、物理学和化学知识。随着这些领域的复杂性增加,一个人越来越难以掌握所有涉及的所有研究和知识。而在今天,我们看到,即使是专门从事非常基础领域的科学家,每个人也都各自有自己的研究方向。安全行业与之非常相似。虽然在 1980 年代,一名安全专家可以进行渗透测试、配置防火墙和事件响应等行为,但如今这种情况已凤毛麟角。许多不同的领域构成了信息安全,对于任何一个从事信息安全专业人士来说,最重要的决定莫过于找到这些领域中的最合适自己的一个。

我们首先要了解的是“红队”和“蓝队”之间的区别,虽然信息安全工作角色经常有一些重叠,但我们通常将它们分为两大阵营——进攻(红队)和防守(蓝队)。

对组织进行专业渗透测试以生成有关其缺陷的报告的人员,以及对漏洞进行研究的人员,被称为“红队”。

对信息系统进行分析以确保安全、识别安全漏洞、验证每项安全措施的有效性并确保所有安全措施在实施后继续有效,保护组织的系统和资产免受真实和模拟攻击的人员,被称为“蓝队”。

虽然成为蓝队信息安全专业人士的途径通常与红队专业人士的途径有所不同。但是说两个阵营并非毫无瓜葛,分开来单独学习不是非常明智的。如果没有对防守实践的一般知识,就很难进行良好的进攻,反之亦然。

我们将在接下来的文章中讨论具体的红队和蓝队角色。

**为了帮助大家更好的学习网络安全,我给大家准备了一份网络安全入门/进阶学习资料,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂这些资料!**

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

hfss仿真软件入门教程 hfss仿真软件入门教程 1.模型建立 1.1在project种选择insert hfss design 1.2.在hfss-》solution type 中选择modal 1.3.在moderler-》中选择units 设置单温为mm 1.4进行画图操作,这里为提高效率直接导入一个已经画好的cad图。使用modeler-》import 2.设置端口 2.1在更改模型中的材料 选择需要更改材料... 阅读详情

相关推荐

SpyGlass CDC实战:如何用sgdc约束文件解决跨时钟域报错(附常见错误排查)

本文详细介绍了如何使用SpyGlass CDC工具编写sgdc约束文件解决跨时钟域(CDC)报错问题。从基础语法到实战案例,涵盖时钟声明、复位约束、路径豁免等关键技巧,特别针对SPI断续时钟等特殊场景提供解决方案,并附常见错误排查指南,帮助工程师高效完成CDC验证。

weixin_28744423的博客 629

教你一招,从0开始网络安全事业

即便一个人对网络安全事业充满了热情,但想要成功进入该领域依然是一项艰巨的任务。尽管教育市场充斥无数着学位、证书和培训项目,但与此同时,专业人士却无情嘲笑着这些从培训结构出来的“脚本小子”。接触过很多安全教育和培训机构,也见过无数试图挣扎着从学校或其他行业过渡到信息安全领域的人,看着这些人迷茫无助,听从错误的建议全力以赴,却与真正的网络信息安全事业背道而驰甚至渐行渐远,我不禁痛心疾首。

白帽子凯哥哥的博客 1107

集成电路模拟版图入门-版图基础学习笔记(四)

第三部分:版图的准备 2. 设计规则 3) Design Rule 2. 设计规则 4) 规则定义 4.1 NW(N WELL) 2. 设计规则 4) 规则定义 4.1 NW(N WELL) 2. 设计规则 4) 规则定义 4.2 PO(Poly) 2. 设计规则 4) 规则定义 4.3 M1(Metal1) 2. 设计规则 4) 规则定义 4.4 VIA 3. DRC文件 3.1 DRC:Design Rule Check,设计规则检查。 3.2 DRC程序了解有关

weixin_52955333的博客 6737

网络安全等级保护2.0(等保2.0)全面解析

网络安全等级保护2.0(简称“等保2.0”)是我国网络安全领域的基本制度、基本策略、基本方法。它是在《中华人民共和国网络安全法》指导下,对我国网络安全等级保护制度进行的重大升级。等保2.0的发布与实施,旨在全面强化我国网络安全保障能力,提升网络安全防护水平,确保关键信息基础设施和重要信息系统的稳定运行。

软件行业技术文化交流。 1万+

告别重复劳动:用Python+pywinauto打造你的微信个人助理(自动回复/收款/定时发消息)

本文介绍如何利用Python和pywinauto库构建微信个人助手,实现自动回复、定时消息、智能收款等功能,告别重复劳动。通过详细的代码示例和配置指南,帮助开发者快速掌握微信自动化技术,提升工作效率。

weixin_42568801的博客 332

【ROS2】手眼标定:moveit2_handeye_calib使用详解

moveit2_handeye_calib MoveIt2 官方的 手眼标定功能包,包含标定插件、图形化界面和示例程序。提供基于 ArUco/ChArUco 标定板的采集与求解功能。标定板下载aruco在线生成器。

郭老二 250

0基础能不能转行做网络安全?网络安全人才发展路线

最近有同学在后台留言,0基础怎么学网络安全?0基础可以转行做网络安全吗?以前也碰到过类似的问题,想了想,今天简单写一下。

ytt0523_com的博客 1030

搭建 Newman + Postman + Git + Jenkins 环境教程

一步步搭建 Newman、Postman、Git 和 Jenkins 的环境。这些工具常用来做 API 测试和 CI/CD 自动化,尤其是 Postman 和 Newman 搭配 Git 和 Jenkins,能实现 API 集合的版本管理和自动测试。

Criss@陈磊 436

0基础怎么转行网络安全?

最近有同学在后台留言,0基础怎么学网络安全?0基础可以转行做网络安全吗?以前也碰到过类似的问题,想了想,今天简单写一下。我的回答是。具体怎么做呢?网络安全是一个很大的概念,包含的东西也很多,比如 web安全,系统安全,二进制安全,无线安全、数据安全、移动安全、工控安全、渗透测试,ctf,售前售后,运维安全,样本分析、代码审计、密码算法、等保测评等等等等等等。。有的人觉得我要入网络安全这个行业,那我必须会渗透测试,会各种黑客工具,能打CTF比赛,其实这是个误解,不可能人人都能成为黑客,人人都是韩商言。

xx16755498986的博客 1419

基于若依的ruoyi-nbcio-plus支持VForm3表单字段数据保存到数据库的一种方法——全网首创(三)

基于若依的ruoyi-nbcio-plus支持VForm3表单字段数据保存到数据库的一种方法——全网首创(三)

宁波阿成的博客 526

11、体内皮质功能的电压敏感染料成像技术

本文详细介绍了电压敏感染料成像(VSDI)技术在体内皮质功能研究中的应用。内容涵盖VSDI的技术起源、作用机制、信号特点与解读局限性,以及其在映射感觉皮质功能区方面的优势。文章对比了VSDI与电极记录和钙成像技术的差异,突出了其在高时空分辨率下监测神经元群体亚阈值活动的独特价值。同时,提供了完整的实验操作流程,包括手术步骤、染料应用、光学系统配置及数据分析方法,并总结了常见问题及其解决方案。随着基因靶向和多模态技术结合的发展,VSDI有望进一步提升信号特异性和空间精度,成为解析大脑网络动态的重要工具。

Apple的专栏 82

国家网络安全机构及事业单位

在工业和信息化部的领导下,依照《

jifengRu的专栏 5071

**YOLOv11性能突破:基于YOLOv10-PSA注意力机制的目标检测革命性升级**

购买即可解锁300+YOLO优化文章,并且还有海量深度学习复现项目,价格仅需两杯奶茶的钱,别人有的本专栏也有!

m0_71589036的博客 199

网络安全等级保护制度1.0与2.0的演进与变革

等保1.0是我国在网络安全领域迈出的重要一步,它于2008年正式发布。该版本的等保制度以《信息安全技术 信息系统安全等级保护基本要求》为核心标准,主要聚焦于信息系统的物理安全、网络安全、主机安全、应用安全和数据安全等方面的基础防护。等保1.0的实施对于提高我国信息系统的安全防护水平起到了积极的推动作用,但随着网络环境的快速变化和新型威胁的不断出现,等保1.0的局限性也逐渐显现。

gmqqcsdn的博客 1295

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

随笔杂谈 | HW到底什么时候开始

关于国护时间网上是众说纷纭,有人说自己认识xxx国护7月份,有人说自己见过xxx文件国护6月份。有人说小道消息国护8月份。反正说啥的都有。那么今天笔者就来简单聊聊,国护究竟什么时候开始。1、没有人会知道国护的准确时间。2、红头文件下发!=明确HW时间。3、红头文件不是随随便便的人都能的,你的直系boss,甚至大boss都不可能看到。网上的截图就更别信了。

m0_71746416的博客 1028

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

自研CTF竞赛系统 - 为网络安全事业《填砖加瓦》

网络安全靶场系统是一个基于Web的综合学习平台,采用PHP+MySQL+JavaScript技术栈开发。系统包含五大核心模块:用户管理系统(实现注册登录和权限管理)、安全漏洞演示(提供命令注入、文件上传等实战环境)、CTF挑战赛系统(涵盖Basic、Web、Pwn等多种题型)、实时监控系统(用于竞赛考试监控)和学生考试系统(具备防作弊功能)。系统采用响应式设计,支持多主题切换,通过漏洞环境模拟和实战挑战帮助学习者掌握网络安全技能,特别适合院校教学和企业培训。未来计划扩展漏洞类型和增强数据分析能力。

dsdl1的博客 893

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")

网络安全应急响应/响应应急网络安全培训内容-零基础网络安全自学

9月19日上午,网络安全先进典型表彰仪式在武汉国际博览中心国际会议中心二层举行,19名网络安全杰出人才、优秀人才及优秀教师受到表彰。

程序员六七的博客 1450
上一篇: 【干货】漏扫工具整合使用教程
下一篇: 工具推荐|新鲜出炉,一键全自动资产漏洞探测扫描工具(攻击面管理(ASM)工具)
程序员_大白
博客等级 码龄5年 1万+粉丝 4001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