网工常用工具-tcping，零基础入门到精通，收藏这篇就够了

程序员_大白 程序员_大白 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 858平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-04-23 05:20:28 发布 858 阅读 AI 写同款· GEO 优化 ›
【Linux】—Xshell、Xftp安装 阅读详情

tcping 是一个网络诊断工具，它结合了 TCP 和 ping 的功能，与传统的 ping 工具不同，ping 只发送和接收 ICMP 回显请求（Echo Request），用于检测网络连接是否可达，但无法确定目标主机是否正在监听特定的端口。而 tcping 则发送 TCP 连接请求到目标主机的指定端口，如果目标主机在该端口上有服务监听，通常会建立一个短暂的 TCP 连接

tcping作用

检测端口可达性

tcping 可以用来检测目标主机上的特定端口是否可达，这对于确定服务是否运行非常有用

连接建立

与 ping 不同，tcping 会尝试建立一个完整的 TCP 连接，如果连接成功，说明端口是可达的

自定义数据包

tcping 允许你发送自定义的数据包，这可以用来测试特定的应用协议

超时设置

可以设置连接超时时间，以便在连接尝试失败时能够及时得到通知

统计信息

tcping 会提供连接尝试的统计信息，如成功连接的次数、失败次数等

下载链接

官网地址

https://elifulkerson.com/projects/tcping.php

win32位下载地址

https://download.elifulkerson.com//files/tcping/0.39/tcping.exe

win64位下载地址

https://download.elifulkerson.com/files/tcping/0.39/x64/tcping64.exe

安装过程

将下载好的tcping文件添加到电脑C:\Windows\System32目录下即可

打开cmd输入tcping回车出现以下现象则表示安装完毕

常用命令参数

-4优先使用IPv4

tcping -4 www.baidu.com

-6优先使用IPv6

tcping -6 www.baidu.com

-t持续tcping测试

tcping -t www.baidu.com

-n 10发送10次tcping，默认4次

tcping -n 10 www.baidu.com

-i 1发送命令间隔时间

tcping -i 1 www.baidu.com

-w 1等待响应的时间间隔

tcping -w 1 www.baidu.com

-d携带时间戳

tcping -d www.baidu.com

-g 2失败2次则停止tcping

tcping -g 2 www.baidu.com 100

-s测试端口ping通则停止

tcping -s www.baidu.com

-v显示版本信息

tcping -v

 这两年，IT行业面临经济周期波动与AI产业结构调整的双重压力，确实有很多运维与网络工程师因企业缩编或技术迭代而暂时失业。

很多人都在提运维网工失业后就只能去跑滴滴送外卖了，但我想分享的是，对于运维人员来说，即便失业以后仍然有很多副业可以尝试。

网工/运维副业方向

运维网工，千万不要再错过这些副业机会！

第一个是知识付费类副业：输出经验打造个人IP

在线教育平台讲师

操作路径：在慕课网、极客时间等平台开设《CCNA实战》《Linux运维从入门到精通》等课程，或与培训机构合作录制专题课。
收益模式：课程销售分成、企业内训。

技术博客与公众号运营

操作路径：撰写网络协议解析、故障排查案例、设备评测等深度文章，通过公众号广告、付费专栏及企业合作变现。
收益关键：每周更新2-3篇原创，结合SEO优化与社群运营。

第二个是技术类副业：深耕专业领域变现

企业网络设备配置与优化服务

操作路径：为中小型企业提供路由器、交换机、防火墙等设备的配置调试、性能优化及故障排查服务。可通过本地IT服务公司合作或自建线上接单平台获客。
收益模式：按项目收费或签订年度维护合同。

远程IT基础设施代维

操作路径：通过承接服务器监控、日志分析、备份恢复等远程代维任务。适合熟悉Zabbix、ELK等技术栈的工程师。
收益模式：按工时计费或包月服务。

网络安全顾问与渗透测试

操作路径：利用OWASP Top 10漏洞分析、Nmap/BurpSuite等工具，为企业提供漏洞扫描、渗透测试及安全加固方案。需考取CISP等认证提升资质。
收益模式：单次渗透测试报告收费；长期安全顾问年费。

比如不久前跟我一起聊天的一个粉丝，他自己之前是大四实习的时候做的运维，发现运维7*24小时待命受不了，就准备转网安，学了差不多2个月，然后开始挖漏洞，光是补天的漏洞奖励也有个四五千，他说自己每个月的房租和饭钱就够了。

为什么我会推荐你网安是运维和网工人员的绝佳副业&转型方向?

1.你的经验是巨大优势: 你比任何人都懂系统、网络和架构。漏洞挖掘、内网渗透、应急响应，这些核心安全能力本质上是“攻击视角下的运维”。你的运维背景不是从零开始，而是降维打击。

2.越老越吃香，规避年龄危机: 安全行业极度依赖经验。你的排查思路、风险意识和对复杂系统的理解能力，会随着项目积累而愈发珍贵，真正做到“姜还是老的辣”。

3.职业选择极其灵活: 你可以加入企业成为安全专家，可以兼职“挖洞“获取丰厚奖金，甚至可以成为自由顾问。这种多样性为你提供了前所未有的抗风险能力。

4.市场需求爆发，前景广阔: 在国家级政策的推动下，从一线城市到二三线地区，安全人才缺口正在急剧扩大。现在布局，正是抢占未来先机的黄金时刻。

网工运维转行学习网络安全路线

在这里插入图片描述

（一）第一阶段：网络安全筑基

1. 阶段目标

你已经有运维经验了，所以操作系统、网络协议这些你不是零基础。但要学安全，得重新过一遍——只不过这次我们是带着“安全视角”去学。

2. 学习内容

**操作系统强化：**你需要重点学习 Windows、Linux 操作系统安全配置，对比运维工作中常规配置与安全配置的差异，深化系统安全认知（比如说日志审计配置，为应急响应日志分析打基础）。

**网络协议深化：**结合过往网络协议应用经验，聚焦 TCP/IP 协议簇中的安全漏洞及防护机制，如 ARP 欺骗、TCP 三次握手漏洞等（为 SRC 漏扫中协议层漏洞识别铺垫）。

**Web 与数据库基础：**补充 Web 架构、HTTP 协议及 MySQL、SQL Server 等数据库安全相关知识，了解 Web 应用与数据库在网安中的作用。

**编程语言入门：**学习 Python 基础语法，掌握简单脚本编写，为后续 SRC 漏扫自动化脚本开发及应急响应工具使用打基础。

**工具实战：**集中训练抓包工具（Wireshark）、渗透测试工具（Nmap）、漏洞扫描工具（Nessus 基础版）的使用，结合模拟场景练习工具应用（掌握基础扫描逻辑，为 SRC 漏扫工具进阶做准备）。

（二）第二阶段：漏洞挖掘与 SRC 漏扫实战

1. 阶段目标

这阶段是真正开始“动手”了。信息收集、漏洞分析、工具联动，一样不能少。

熟练运用漏洞挖掘及 SRC 漏扫工具，具备独立挖掘常见漏洞及 SRC 平台漏扫实战能力，尝试通过 SRC 挖洞搞钱，不管是低危漏洞还是高危漏洞，先挖到一个。

2. 学习内容

信息收集实战：结合运维中对网络拓扑、设备信息的了解，强化基本信息收集、网络空间搜索引擎（Shodan、ZoomEye）、域名及端口信息收集技巧，针对企业级网络场景开展信息收集练习（为 SRC 漏扫目标筛选提供支撑）。

漏洞原理与分析：深入学习 SQL 注入、CSRF、文件上传等常见漏洞的原理、危害及利用方法，结合运维工作中遇到的类似问题进行关联分析（明确 SRC 漏扫重点漏洞类型）。

工具进阶与 SRC 漏扫应用：

  • 系统学习 SQLMap、BurpSuite、AWVS 等工具的高级功能，开展工具联用实战训练；

  • 专项学习 SRC 漏扫流程：包括 SRC 平台规则解读（如漏洞提交规范、奖励机制）、漏扫目标范围界定、漏扫策略制定（全量扫描 vs 定向扫描）、漏扫结果验证与复现；

  • 实战训练：使用 AWVS+BurpSuite 组合开展 SRC 平台目标漏扫，练习 “扫描 - 验证 - 漏洞报告撰写 - 平台提交” 全流程。
    SRC 实战演练：选择合适的 SRC 平台（如补天、CNVD）进行漏洞挖掘与漏扫实战，积累实战经验，尝试获取挖洞收益。

恭喜你，如果学到这里，你基本可以下班搞搞副业创收了，并且具备渗透测试工程师必备的「渗透技巧」、「溯源能力」，让你在黑客盛行的年代别背锅，工作实现升职加薪的同时也能开创副业创收！

如果你想要入坑黑客&网络安全，笔者给大家准备了一份：全网最全的网络安全资料包需要保存下方图片，微信扫码即可前往获取!

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

（三）第三阶段：渗透测试技能学习

1. 阶段目标

全面掌握渗透测试理论与实战技能，能够独立完成渗透测试项目，编写规范的渗透测试报告，具备渗透测试工程师岗位能力，为护网红蓝对抗及应急响应提供技术支撑。

2. 学习内容

渗透测试核心理论：系统学习渗透测试流程、方法论及法律法规知识，明确渗透测试边界与规范（与红蓝对抗攻击边界要求一致）。

实战技能训练：开展漏洞扫描、漏洞利用、电商系统渗透测试、内网渗透、权限提升（Windows、Linux）、代码审计等实战训练，结合运维中熟悉的系统环境设计测试场景（强化红蓝对抗攻击端技术能力）。

工具开发实践：基于 Python 编程基础，学习渗透测试工具开发技巧，开发简单的自动化测试脚本（可拓展用于 SRC 漏扫自动化及应急响应辅助工具）。

报告编写指导：学习渗透测试报告的结构与编写规范，完成多个不同场景的渗透测试报告撰写练习（与 SRC 漏洞报告、应急响应报告撰写逻辑互通）。

（四）第四阶段：企业级安全攻防（含红蓝对抗）、应急响应

1. 阶段目标

掌握企业级安全攻防、护网红蓝对抗及应急响应核心技能，考取网安行业相关证书。

2. 学习内容

护网红蓝对抗专项：

  • 红蓝对抗基础：学习护网行动背景、红蓝对抗规则（攻击范围、禁止行为）、红蓝双方角色职责（红队：模拟攻击；蓝队：防御检测与应急处置）；

  • 红队实战技能：强化内网渗透、横向移动、权限维持、免杀攻击等高级技巧，模拟护网中常见攻击场景；

  • 蓝队实战技能：学习安全设备（防火墙、IDS/IPS、WAF）联动防御配置、安全监控平台（SOC）使用、攻击行为研判与溯源方法；

  • 模拟护网演练：参与团队式红蓝对抗演练，完整体验 “攻击 - 检测 - 防御 - 处置” 全流程。
    应急响应专项：

  • 应急响应流程：学习应急响应 6 步流程（准备 - 检测 - 遏制 - 根除 - 恢复 - 总结），掌握各环节核心任务；

  • 实战技能：开展操作系统入侵响应（如病毒木马清除、异常进程终止）、数据泄露应急处置、漏洞应急修补等实战训练；

  • 工具应用：学习应急响应工具（如 Autoruns、Process Monitor、病毒分析工具）的使用，提升处置效率；

  • 案例复盘：分析真实网络安全事件应急响应案例（如勒索病毒事件），总结处置经验。
    其他企业级攻防技能：学习社工与钓鱼、CTF 夺旗赛解析等内容，结合运维中企业安全防护需求深化理解。

证书备考：针对网安行业相关证书考试内容（含红蓝对抗、应急响应考点）进行专项复习，参加模拟考试，查漏补缺。

运维网工转行网络攻防知识库分享

网络安全这行，不是会几个工具就能搞定的。你得有体系，懂原理，能实战。尤其是从运维转过来的，别浪费你原来的经验——你比纯新人强多了。

但也要沉得住气，别学了两天Web安全就觉得自己是黑客了。内网、域渗透、代码审计、应急响应，要学的还多着呢。

如果你真的想转，按这个路子一步步走，没问题。如果你只是好奇，我劝你再想想——这行要持续学习，挺累的，但也是真有意思。

关于如何学习网络安全，笔者也给大家整理好了全套网络安全知识库，需要的可以扫码获取！

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

1、网络安全意识
在这里插入图片描述

2、Linux操作系统
在这里插入图片描述

3、WEB架构基础与HTTP协议
图片

4、Web渗透测试
在这里插入图片描述

5、渗透测试案例分享
图片

6、渗透测试实战技巧
图片

7、攻防对战实战
图片

8、CTF之MISC实战讲解
图片

关于如何学习网络安全，笔者也给大家整理好了全套网络安全知识库，需要的可以扫码获取！

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

收录于
计算机

当前文章被收录于：

计算机
2233 篇文章 43 人学习
订阅专栏 查看详情
程序员

当前文章被收录于：

程序员
2228 篇文章 197 人学习
订阅专栏 查看详情
网工

当前文章被收录于：

网工
407 篇文章 0 人学习
订阅专栏 查看详情
标签
#网络 #运维 #开源
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Ubuntu22.04系统安装及配置 下载Ubuntu22.04系统镜像（下载地址：链接:https://caiyun.139.com/m/i?提取码:fLRJ），结合rufus和系统镜像制作USB启动盘，在物理机服务器上通过USB启动盘进行安装；或通过Esxi虚拟化平台创建虚拟机，然后在虚拟机中使用系统镜像进行安装。 阅读详情

相关推荐

eNSP的安装【最全最详细教程】

华为eNSP模拟器最适合小白学习网络相关知识

ll945608651的博客 6万+

Xshell 6安装和使用教程

作者翁松秀 Xshell 6安装和使用教程 Xshell 6安装和使用教程 XShell 6的安装 XShell 6的使用 创建链接 快捷键 主题 XShell 6的安装 到官网下载安装包， 【XShell官网】 在下载页面勾选“Evaluation user / Home & School user”，并在许可证类型License t...

Mr.Write的博客 15万+

从设计到实战：手把手教你用SolidWorks完成一个简易离心泵叶轮的水力设计全流程

本文详细介绍了使用SolidWorks进行简易离心泵叶轮水力设计的全流程，涵盖参数计算、水力设计和三维建模等关键步骤。通过实际案例演示，帮助机械设计工程师和学生掌握从理论到实践的转化技巧，特别适合低比转速离心泵叶轮的设计需求。

weixin_30621711的博客 233

Xshell安装及与服务器建立连接过程

Xshell是Windows下一款功能非常强大的安全终端模拟软件，支持Telnet、Rlogin、SSH、SFTP、Serial 等协议，可以非常方便的对linux主机进行远程管理。Xshell下载地址：https://www.netsarang.com/products/xsh_overview.html 下载后按照提示进行安装即可（注意安装时授权选择“Free for Home/School”...

qq_38211852的博客 8万+

YOLOv5s模型训练全流程解析：从数据准备到实战检测

本文详细解析了YOLOv5s模型训练的全流程，涵盖从环境搭建、数据准备与格式转换，到模型训练、参数调优及实战检测的完整步骤。文章提供了具体的代码示例和常见问题解决方案，旨在帮助开发者，特别是新手，高效掌握YOLOv5s模型训练的核心技术，并成功应用于实际检测任务中。

weixin_29041767的博客 334

SIMPLIS实战：从零构建理想BUCK电路，精准计算与POP稳态分析

本文详细介绍了如何使用SIMPLIS软件从零开始构建并仿真一个理想的BUCK降压电路。通过设定关键参数、计算理想器件值，并搭建仿真模型，文章重点演示了暂态仿真以观察电路上电过程，并深入讲解了高效的POP（周期性工作点）稳态分析技术，帮助工程师快速验证设计、评估稳态性能，从而加速电源设计迭代。

weixin_29165465的博客 395

网工常用工具——tcping

tcping 是一个网络诊断工具，主要用于测试TCP端口的可达性和连接建立时间。相较于传统的ping命令（基于Internet Control Message Protocol, ICMP），tcping 更侧重于检查传输层（TCP）的服务状态，而非网络层（IP）的连通性。

qq_36382667的博客 2万+

跟着团子学SAP EPPM：项目管理常见的集成场景（PPM\PS\MS Project)

在SAP的EPPM解决方案中，针对企业战略级别的投资组合管理首先是定义合适的投资组合的层级结构，在投资组合下可以通过不同维度去定义投资篮（Portofolio Bucket）进行层层拆分，在最下层级的投资篮下可以分配明细的投资项（Portofolio Item），投资项可以是独立的一个一个具体执行的项目，也可以是单纯的一次服务等等。 今天主要聚焦在投资项的维度展开讲一下在SAP中投资项常见的几种集成模式： 集成场景1：使用PPM中的Project Management进行项目管理 第一个场景是在创建投资项

Lucas1211的博客 4139

常用运维工具大全，零基础入门到精通，收藏这篇就够了

个人发现（版本为Xshell 6）在使用过程中点击文件传输图标或使用快捷键Ctrl + Alt + F呼出弹窗xftp，然后关闭这个窗口，会自动创建一个sftp 的传输连接会话，这个sftp可以使用put或get命令直接将本机或连接主机的文件上传下载，下载到本机的路径是你的会话储存路径里。比如不久前跟我一起聊天的一个粉丝，他自己之前是大四实习的时候做的运维，发现运维7*24小时待命受不了，就准备转网安，学了差不多2个月，然后开始挖漏洞，光是补天的漏洞奖励也有个四五千，他说自己每个月的房租和饭钱就够了。

A1_3_9_7的博客 1089

金蝶云星空核心数据表解析与高效关联查询指南

本文深入解析金蝶云星空核心数据表结构，提供高效关联查询的实战指南。文章详细介绍了基础资料、业务单据和财务模块的关键表及其关联逻辑，重点阐述了如何利用关联表（_LK表）进行跨单据溯源，并分享了编写高性能SQL的实用技巧与避坑建议，帮助开发者、实施顾问和数据分析师快速掌握数据查询方法，提升工作效率。

weixin_29254673的博客 526

双目深度相机--10.双目视觉的主要步骤讲解分析

双目视觉技术通过模拟人眼原理，利用两个相机从不同视角采集图像，实现三维坐标计算。其核心流程包括：1）系统标定，消除相机畸变并建立坐标映射关系；2）图像同步采集与预处理；3）立体匹配，寻找左右图像对应点；4）基于视差图的深度计算；5）三维重建生成点云或网格模型；6）结果应用如目标测距、三维建模等。关键技术难点在于精确标定和准确匹配，这两步直接影响最终深度计算的精度。该技术广泛应用于自动驾驶、工业检测、VR等领域，实现了从二维图像到三维空间的精准转换。

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网（IoT）与人工智能（AI）融合技术，聚焦​​边缘计算、图像开发、低功耗通信协议​​，致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 625

零基础入门：如何使用TCPING工具检测网络延迟

它比传统PING更精准，能直接检测TCP端口的连通性和延迟，而且配置简单，不需要复杂的命令行参数。TCPING是专门用来测试TCP连接质量的工具，它会向目标服务器的指定端口发送TCP握手请求，通过统计响应时间来计算网络延迟和丢包率。上只用了半小时就完成了开发和部署，他们的在线编辑器可以直接调试网络程序，最惊喜的是点个按钮就能生成可公开访问的测试页面。建议新手可以先用这个工具检测常见网站的端口（比如试试"www.qq.com:443"），观察不同时段的延迟变化，很快就能掌握网络质量分析的基本方法。

GoldEagle19的博客 855

在 SAP BTP 上为应用开启多租户能力：基于 SaaS Provisioning 和 XSUAA 的完整实践指南

本文介绍了在SAP BTP上配置多租户应用的实战指南。主要内容包括： 多租户架构概述：解释provider子账户、consumer子账户和tenant的概念，以及数据隔离机制。 安全配置：在xs-security.json中设置tenant-mode为shared，并为SaaS Provisioning服务添加回调scope授权。 路由配置：通过manifest.yml设置TENANT_HOST_PATTERN来定义多租户访问模式，确保不同租户通过不同子域名访问同一应用。 服务绑定：将XSUAA和SaaS

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 146

tcping的安装，ping和tcping的区别

根据具体的需求和使用场景，选择合适的工具进行网络测试和故障排查。win64位下载地址：https://download.elifulkerson.com/files/tcping/0.39/x64/tcping64.exe。win32位下载地址：https://download.elifulkerson.com/files/tcping/0.39/tcping.exe。输入结果到指定位置，比如：tcping –tee d:\test.txt 会将结果保存在D盘下的test.txt文件中。

伪程序文艺猿 7535

【数据分享】12.5米分辨率DEM地形数据（分省）

该数据来源于NASA地球科学数据网站（https://nasadaacs.eos.nasa.gov/），是ALOS卫星获取的高精度地形数据。该数据由于精度高，包括全省范围的数据和省内每个城市范围的数据！

JData_Engineer的博客 2171

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")

tcping实用小工具

tcping：tcping命令基于tcp协议监控，可以从较低级别的协议获得简单的，可能不可靠的数据报服务。原则上，TCP应该能够在从容硬线连接到分组交换或电路交换网络的各种通信系统之上操作。

weixin_36723038的博客 3万+

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

windows命令之tcping安装和使用

tcping是一个控制台应用程序，其操作与“ping”类似，但它通过tcp端口工作。tcping命令基于tcp协议监控，可以从较低级别的协议获得简单的，可能不可靠的数据报服务。 原则上，TCP应该能够在从容硬线连接到分组交换或电路交换网络的各种通信系统之上操作。博文实验环境说明： - 操作系统：win7 sp1（64位操作系统） - tcping版本：0.39

月生的静心苑 6万+

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

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。

tcping 用法

目录一、概述二、软件安装三、使用二、参考资料 一、概述 ping程序发送icmp包，用于检测网络连通性，如果主机禁ping，就没办法判断连通性了。 tcping程序基于tcp协议，查看网络延迟及开放的端口信息。 二、软件安装 1、下载tcping工具（根据自身系统选择32位/64位） tcping程序有很多不同的贡献者，此处下载的是 Eli Fulkerson开发的tcping 2、安装tcping 将下载的exe文件放到 c:\windows\system32\ 目录下面（如果下载的是64位的要把文件

u012938083的博客 1万+

LINUX下TCPING安装与使用

linux下TCPING安装与使用

weixin_50096291的博客 8161
上一篇： 网工毕业设计整理大全，零基础入门到精通，收藏这篇就够了
下一篇： 网工基础知识整理大全，零基础入门到精通，收藏这篇就够了
点赞 10
评论 0
书签 书签 23
程序员_大白
程序员_大白
博客等级 码龄5年 1万+粉丝 4001原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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