网工资源库大全，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 700+累计阅读 721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 2026-03-09 04:40:19 发布 721 阅读 AI 写同款· GEO 优化 ›
【Linux】—Xshell、Xftp安装 阅读详情

在网工的设备调试、运维的问题排查中；新知识学习提升中；我们会用到各类的小工具，以前的时候随用随找，随用随丢，一直没有进行汇总整理，总是在突然需要某个工具时，又要花好久的时间去找工具，所以为了给自己工作进行一个总结，也方便分享给需要的人，我进行了分类整理，可随用随取。需要的朋友文末下载~

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
#面试 #职场和发展 #开发语言
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+

【hacker送书第5期】SQL Server从入门到精通（第5版）

【hacker送书第5期】SQL Server从入门到精通（第5版），欢迎大家参与

hacker707的博客 1万+

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+

迈德威视相机调用（ 基于 Linux系统+ OpenCV ）

迈德威视相机调用（ 基于 Linux系统+ OpenCV ）前言一、登录迈德威视官网，下载官方SDK二、代码调用与视频帧处理（ 基于 OpenCV ）总结 前言     此博客记录了迈德威视工业相机在 Linux 系统下的代码调用及其环境配置,通过 OpenCV 对视频帧进行处理。   一、登录迈德威视官网，下载官方SDK      迈德威视官网 ： http://www.mindvision.com.cn/     1. 进入官网后，在服务支持中选择软件下载。    2. 选择Linux系统S.

kkkkkk0729的博客 5679

KVM环境下Tesla T4/v100 vGPU性能调优手册：显存分配策略与帧率限制解除

本文深入探讨了在KVM虚拟化环境中，针对NVIDIA Tesla T4和V100 GPU进行vGPU性能调优的实战策略。核心内容包括如何根据AI训练、科学计算等不同负载，精细规划显存分配策略，并详细介绍了通过修改sysfs参数解除帧率限制器（FRL）以释放硬件潜力的方法，旨在帮助用户实现虚拟化GPU资源的最大化利用。

cuda7parallel的博客 619

【hacker送书第8期】Java从入门到精通（第7版）

【hacker送书第8期】Java从入门到精通（第7版），欢迎大家参与!!!

hacker707的博客 9653

Windows 10下Carla 0.9.15安装避坑指南：从下载到运行的全流程解析

本文详细解析了在Windows 10系统上安装和运行Carla 0.9.15自动驾驶仿真平台的全流程。内容涵盖从系统环境准备、资源下载、Python依赖安装，到首次启动验证及常见错误（如DLL缺失、显卡驱动问题）的深度解决方案，旨在帮助用户快速搭建稳定的开发环境，并运行第一个自动驾驶Python脚本。

alice7model的博客 546

java资源网站大全，零基础入门到精通，收藏这篇就够了

对我来说，学编程 5 年多，虽然已经看过了形形色色的编程资源，但真正让我觉得好的没几个，让我眼前一亮的更是寥寥无几。但今天给大家推荐的这波资源，毫不夸张的说，直接让我激动到下跪！因为这些资源都是作者注入心血精心维护的，非一朝一夕可以完成，所以弥足珍贵。

Libra1313的博客 5376

【GEOS-Chem模拟教程第二期上】生物质燃烧排放 GFED4 数据配置

生物质燃烧排放 GFED4 数据配置

WW、forever的博客 1301

Redhawk：如何gds2def？

使用redhawk gds2def功能 这其中gds_layer.map的书写方式如下: m代表metal，v代表via。 ICC/ICC2用户可以从tech file中获取layer number。 innovus用户可以从stream out layer map中获取layer number。 最后运行gds2def -m gds2def.config即可。 ...

m0_61544122的博客 5343

java免费资源库，零基础入门到精通，收藏这篇就够了

优先考虑成熟稳定的主流库评估社区活跃度和维护状态关注性能指标和扩展性考虑与现有技术栈的兼容性重视文档和示例的完整性这些开源工具不仅节省了开发成本，还让我们能够站在巨人的肩膀上快速构建高质量的解决方案。如果你想亲自体验这些技术的应用，可以尝试在InsCode(快马)平台上创建项目。平台提供完整的开发环境，无需本地配置就能直接运行Java项目，对于学习和实践这些技术非常方便。我在使用中发现，它的响应速度和稳定性都很不错，特别适合快速验证想法和分享案例。

Python_0011的博客 1317

在 SAP 里，想让“同一笔业务”在多个账套（平行分类账）中生成不同编号的会计凭证，标准做法就是

摘要：SAP系统中实现同一业务在不同分类账生成独立凭证号的方法是为每个分类账配置独立的凭证类型-编号范围映射。通过FBN1/OBA7等事务码为各分类账分配专属编号段，系统过账时会按分类账自动取号，确保凭证号互不冲突。该方案适用于S/4HANA和ECC系统，支持标准过账（F-02）或分类账专属过账（FB01L）两种模式，最终实现"一业务多账套，各自独立编号"的目标。

金牌架构师 550

【粉丝福利社】 MySQL从入门到精通（第3版）（文末送书-进行中）

"MySQL从入门到精通"是指从初学者开始学习MySQL数据库，逐步掌握其基本概念、语法和功能，直到能够熟练运用MySQL进行数据库设计、管理、优化和应用开发的过程。入门阶段：初学者了解MySQL数据库的基本概念、特点和用途，学习安装MySQL服务器和客户端工具，掌握基本的数据库操作，包括创建数据库、创建表、插入数据、查询数据等。基础语法学习：学习MySQL数据库的基本语法，包括SQL语句的编写、数据类型的使用、约束条件的设置、索引的创建等，以及常用的SQL函数和操作符的应用。进阶技能掌握。

愚公智库 10万+

光学材料仿真软件：FDTD Solutions_（4）.材料属性的定义与应用

在光学材料仿真软件中，材料属性的定义和应用是至关重要的一步。正确地定义材料属性可以确保仿真结果的准确性和可靠性。本节将详细介绍如何在FDTD Solutions中定义和应用不同的材料属性，包括介质材料、金属材料、色散材料等，并提供具体的代码示例和数据样例。介质材料是光学仿真中最常见的材料类型之一。在FDTD Solutions中，可以通过多种方式定义介质材料，包括使用预定义的材料库、自定义材料参数或导入材料数据文件。FDTD Solutions内置了一个丰富的材料库，包含了许多常用材料的光学性质。

kkchenjj的博客 1401

Qt/C++ 音视频开发 - FFmpeg 安卓版

通过将 FFmpeg 集成到 Qt/C++ 项目中，我们可以实现强大且灵活的音视频处理功能。本文介绍了在安卓平台上使用 FFmpeg 的基本步骤，包括初始化、解码、处理和编码等。实际应用代码示例展示了如何在安卓设备上播放视频。

走向CTO的路上... 1192

推荐书目：Python从入门到精通（文末送书）

Python从入门到精通（第3版）》从初学者角度出发，通过通俗易懂的语言、丰富多彩的实例，详细介绍了使用Python进行程序开发应该掌握的各方面技术。

阿玥的小博客 4647

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

黑客论坛有哪些（非常详细），零基础入门到精通，看这一篇就够了

黑客论坛有哪些（非常详细），零基础入门到精通，看这一篇就够了

隔壁王叔的博客 2092

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")

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

【免费送书】Java从入门到精通：轻松领会Java程序开发的精髓

Java从入门到精通（第7版）》从初学者角度出发，通过通俗易懂的语言、丰富多彩的实例，详细讲解了使用Java语言进行程序开发需要掌握的知识。

拥有百余位万粉技术博主、200余位可合作代发博主，私域技术社群规模达千人，商务合作私信 5634

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

盘点适合程序员的兼职平台，这些你必须收藏起来！零基础入门到精通，收藏这一篇就够了

其实接单这件事情，可以锻炼我们从创业者角度去思考。因为我们要从获客到交付中间的整个过程，这个过程里包括和客户沟通需求、如何谈价格、如何交付等行为，其实和一个小公司的流程就很相近了，在跟进的过程中可以锻炼自己的沟通能力、协调能力、时间管理能力等，如果以后打算创业，这些也都是必备的条件。

小司机的奥拓 3395

探索SLAM世界的宝藏：SLAM算法大全资源库

探索SLAM世界的宝藏：SLAM算法大全资源库 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在机器人技术、自动驾驶和增强现实等领域，SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）技术扮演着至关重要的角色。为了帮助广大开发者、研究者和学生更好地理解和应用SLAM技术，我们推出了SLAM算法大全资源库。这个资源...

gitblog_09802的博客 1216

终极游戏黑客资源，零基础入门到精通，收藏这篇就够了

欢迎来到网络上最全面，最独特的游戏黑客资源列表！当你穿越这个不断增长的庞然大物时，你可能会惊讶地发现许多这里提到的工具，库，框架等都不是用任何黑客游戏来制作的。由于游戏黑客本身就是逆向工程的一个分支，这意味着我们拥有大量其他类型的逆向工程工具供我们使用，以便进行游戏黑客攻击。除了这些工具之外，还有大量的知识可以从教程，演示文稿，书籍等等的聚宝盆中收集到。我会不断更新这个列表，所以一定要观看/明星！如果您想分享尚未列入清单的资源，请随时通过为此资源库创建问题或拉取请求来提交该资源，或者将其。

leah126的博客 829

Visio图标大全资源库

Visio图标大全资源库 【下载地址】Visio图标大全资源库 Visio图标大全资源库汇集了最新最全的网络通信图标，为您提供专业图表制作的强大支持。无论是Visio、PPT还是其他图表工具，这里都能找到您所需的各类图标，助您轻松打造直观、专业的视觉呈现。所有图标均经过精心筛选，适用于网络通信相关场景，提升您的工作效率与...

gitblog_06773的博客 401

【hacker送书第8期】Java从入门到精通（第7版）(1)

Java从入门到精通（第7版）》从初学者角度出发，通过通俗易懂的语言、丰富多彩的实例，详细讲解了使用Java语言进行程序开发需要掌握的知识。全书分为4篇共24章，内容包括。

2401_84264583的博客 1201

Java好资源网址推荐，零基础入门到精通，收藏这篇就够了

Java官方教程Version 11 API Specification 所有包的层次结构官网中文Java 全栈知识体系how2j初学者教程，英文（包括Java、C++、Pathon）一个适合小白学习的英文网站，不只是Java。

leah126的博客 4552

SLAM算法大全资源库

SLAM算法大全资源库 去发现同类优质开源项目:https://gitcode.com/ 资源简介 本资源库提供了丰富的SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）算法相关资源，包括代码、文档和工具。无论你是SLAM领域的初学者还是资深研究者，这里都能找到适合你的内容。 资源内容 1. 代码 SLAM算法的MATLAB源代码：提供了多...

gitblog_09702的博客 706
上一篇： 网线水晶头接线全攻略（理论+工具+技巧）零基础入门到精通，收藏这篇就够了
下一篇： notepad++安装教程（非常详细）零基础入门到精通，收藏这篇就够了
点赞 17
评论 0
书签 书签 20
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