m3u8、rtmp、flv、mp4在线测试地址，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 2.4w累计阅读 2.4w+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 2026-09-18 10:45:00 发布 2.4w 阅读 AI 写同款· GEO 优化 ›
电视台的直播流 # cap = cv2.VideoCapture("rtmp://58.200.131.2:1935/livetv/hunantv") #湖南台 # cap = cv2.VideoCapture("rtmp://58.200.131.2:1935/livetv/dftv") #东方台 # cap = cv2.VideoCapture("rtmp://58.200.131.2:1935/livetv/gdtv") #广东台 # cap = cv2.VideoCapture("rtmp://58.200.131 阅读详情

1. m3u8:
湖南卫视直播：http://219.151.31.38/liveplay-kk.rtxapp.com/live/program/live/hnwshd/4000000/mnf.m3u8
计时器：http://playertest.longtailvideo.com/adaptive/bipbop/gear4/prog_index.m3u8

2. rtmp:
伊拉克 Al Sharqiya 电视台: rtmp://ns8.indexforce.com/home/mystream
韩国GOOD TV: rtmp://mobliestream.c3tv.com:554/live/goodtv.sdp

3. flv
西瓜播放器测试视频: https://sf1-hscdn-tos.pstatp.com/obj/media-fe/xgplayer_doc_video/flv/xgplayer-demo-360p.flv

4. MP4
http://clips.vorwaerts-gmbh.de/big_buck_bunny.mp4
http://vjs.zencdn.net/v/oceans.mp4
https://media.w3.org/2010/05/sintel/trailer.mp4

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/测试副业方向

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测试人员的绝佳副业&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。

网工运维测试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

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

（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。

运维网工测试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

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

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

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

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
#数据库 #mysql #服务器
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。
主流流媒体格式在线预览实战：M3U8、RTMP、MP4、FLV全解析 本文针对M3U8、RTMP、MP4、FLV等主流流媒体格式，提供了实用的在线预览实战指南。文章详细介绍了如何利用m3u8play、CHPlayer等在线工具及VLC播放器快速测试与调试视频流，并解析了不同格式的核心特点与应用场景，帮助开发者高效解决网页播放器兼容性问题。 阅读详情

相关推荐

直播技术入门：m3u8、rmpt、mp4、flv格式解析与在线预览工具推荐

本文深入解析了直播技术中常见的m3u8、rmpt、mp4和flv格式特点及适用场景，帮助开发者快速入门。详细介绍了HLS、RTMP等协议的优势与局限，并推荐了实用的在线预览工具如m3u8play、CHPlayer和VLC，助力直播技术实践与应用。

weixin_29197835的博客 1252

rtsp、rtmp、m3u8、flv、mkv、3gp、mp4直播流测试地址

rtsp、rtmp、m3u8、 flv、 mkv、3gp、mp4直播流测试地址

小北的博客 7万+

流媒体测试地址全解析：RTSP、RTMP、M3U8、FLV、MP4实测与本地搭建

在流媒体开发、安防监控对接和直播推拉流调试中，稳定的测试流地址是高效联调的关键。RTSP、RTMP、M3U8、FLV、MP4这五种常见协议与封装格式，各自承载不同的传输逻辑与应用边界：RTSP是安防摄像头的标准控制协议，RTMP兼顾低延迟推流，M3U8以切片索引适配HLS播放，FLV适合浏览器端HTTP-FLV直播，MP4则面向点播兼容性验证。理解这些概念背后的原理，能帮助工程师快速选择合适的测试源并规避常见调试陷阱。文章整理了一批当前实测可用的公网地址，同时给出ffprobe探测、VLC/PotPlaye

weixin_34159110的博客 351

常用m3u8，rtsp，rtmp，flv，mp4直播流在线测试地址

常用m3u8，rtsp，rtmp，flv，mp4直播流在线测试地址

Jason_HD的博客 9万+

【音视频处理】MP4、FLV、HLS适用范围，在线视频播放哪个更好

本期我们讨论在线点播的视频格式，对比这些视频格式的优劣以及原因 1、封装格式的作用 2、MP4 3、FLV 4、HLS

池鱼 - YiiGaa 2万+

【测试源】【rtmp flv hls】拉流播放测试

https flv https://sf1-hscdn-tos.pstatp.com/obj/media-fe/xgplayer_doc_video/flv/xgplayer-demo-360p.flv

突围 3398

常用rtmp、m3u8、flv、mp4直播流在线测试地址

今天我想与大家分享一些在播放器开发中常用的音视频流地址，涵盖了纯音频、纯视频以及各种常见封装格式，比如rtmp、m3u8、flv等。在网络上，常见的测试地址往往已经失效，为了解决这个问题，我打算在这里创建一个播放列表。如果你有可用的音视频地址，请不吝留言分享给我，不胜感激！

小北的博客 4万+

FLV测试用文件

一个标准的Flv文件 含音频 含视频 来源于FMS流媒体服务器案例

m3u8，rtsp，rtmp，flv，mp4直播流在线测试地址（2022年8月）

前端做直播视频展示的时候，很多时候播放不出来，不是因为自己代码的问题，而是因为网上很多源视频流现在已经播放不出来了，所以源头都有问题，那自己的前端肯定就放不出来。今天是2022.08.12，刚好有做直播视频的需求，在网上找可以测试的视频流，结果发现好多好多2020年、2021年的都用不了，现在总结一下我目前测试可用的。...

changyana的博客 11万+

基于Arduino与脑电模块的意念控制LED灯环实现

脑机接口（BCI）技术通过采集和处理脑电信号，实现人脑与外部设备的直接交互。其核心原理是利用传感器捕捉大脑活动产生的微弱电信号，经过放大、滤波和特征提取，转换为可识别的指令。这项技术在医疗康复、神经反馈训练和人机交互等领域具有重要价值。本文聚焦于一个具体的工程实践：使用消费级NeuroSky TGAM模块采集专注度与放松度数据，通过Arduino平台解析信号，并驱动WS2812B LED灯环实现实时可视化反馈。项目涵盖了硬件选型、电路搭建、数据解析和光效映射等关键环节，为脑机接口入门和嵌入式开发提供了完整的

weixin_28721917的博客 280

Android真机调试——ADB调试（含华为手机无法找到设备）

本文以Huawei Nova7为例。

lianqi2003的博客 7860

最新可用直播流测试地址合集（RTSP/RTMP/M3U8/FLV/MP4）

整理了当前可稳定访问的RTSP、RTMP、M3U8、FLV、MKV、3GP、MP4等格式的直播和点播测试地址，涵盖多种分辨率和协议类型，适用于音视频开发、播放器调试等场景。所有链接均经实际测试，并持续更新维护，方便开发者快速验证流媒体功能。

weixin_35751194的博客 1万+

手把手教你离线部署Jupyter Notebook及高效插件配置

本文详细介绍了如何在离线环境中部署Jupyter Notebook及配置高效插件，包括离线安装步骤、依赖管理、核心扩展安装及常见问题排查。特别针对金融、科研等封闭网络场景，提供完整的whls包和requirements.txt解决方案，帮助开发者和数据分析师突破网络限制，提升工作效率。

weixin_28839549的博客 583

【Vue】直播流m3u8，rtsp，rtmp，flv，mp4测试地址

前端做直播视频展示的时候，很多时候播放不出来，不是因为自己代码的问题，而是因为网上很多源视频流现在已经播放不出来了，所以源头都有问题，那自己的前端肯定就放不出来。

joanmelon的博客 7137

DRAM内存模拟持久化设备的方法

由于持久化内存介质NVM技术的发展，越来越多的科研工作者投身到NVM相关的研究当中。但由于目前工业界并没有推出广泛使用的NVM介质设备，所以科研工作都需要自己以现有的条件，模拟NVM设备使用场景。一个简单的方法是：通过修改DRAM模拟器，达到模拟NVM的目的(可以参考:DRAMSim2模拟器分析与应用)。更高端的方式是：在真实系统中，将内存划分出一块儿，用来模拟NVM设备(类似于传统的ramdis

酷炫人笨笨熊 1899

SAP WM模块配置详解

1.给工厂/存储地点分配仓库编码 功能说明 配置路径 IMG>企业结构>分配>分配后勤执行>给工厂/存储地点分配仓库编码 业务示例 配置步骤 2.定义仓库号码控制参数 功能说明 配置路径 IMG>后勤执行>仓库管理>主数据>主数据>定义仓库号码控制参数 业务示例 配置步骤 3.定义编码范围 功能说明 配置路径 IMG>后勤执行>仓库...

weixin_40672823的博客 2万+

mp4，m3u8，rtsp，rtmp，flv，直播流在线测试地址

西瓜播放器测试视频: https://sf1-hscdn-tos.pstatp.com/obj/media-fe/xgplayer_doc_video/flv/xgplayer-demo-360p.flv。前端做直播视频展示的时候，很多时候播放不出来，不是因为自己代码的问题，而是因为网上很多源。现在已经播放不出来了，所以源头都有问题，那自己的前端肯定就放不出来。以上是我测试目前可以用的，如果大家有补充可以告诉我，互帮互助！下面放我当前测试可以用的几个在线视频流。

boundle_ss的博客 3万+

Python爬取谷歌学术全攻略：基于Playwright与Asyncio的高效、抗反爬虫实践

同时，文章将详细解析爬虫过程中可能遇到的各种挑战，如IP封锁、验证码、动态内容加载等，并提供切实可行的解决方案。self.logger.info(f"第 {current_page} 页解析完成，共找到 {len(page_results)} 条结果。：谷歌学术的HTML结构并非一成不变，其CSS类名和标签结构可能会发生变化，且不同地区、不同语言的界面可能存在差异，增加了数据解析的难度。self.logger.info(f"开始搜索关键词: '{keyword}'，计划爬取 {max_pages} 页")

2201_76125261的博客 1550

可以跨域的在线视频地址（测试用）包括m3u8，rtsp，rtmp，flv，mp4直播流在线测试地址！！

在线小视频地址： 可以跨域 https://stream7.iqilu.com/10339/upload_transcode/202002/18/20200218114723HDu3hhxqIT.mp4 https://stream7.iqilu.com/10339/upload_transcode/202002/18/20200218093206z8V1JuPlpe.mp4 https://stream7.iqilu.com/10339/article/202002/18/2fca1c77730e5

牛牪犇 8662

《Autosar_BSW高阶配置》总目录_培训教程持续更新中...

目录 一、Autosar COM Module 二、Autosar BswM Module 三、Autosar EcuM Module 四、Autosar DCM Module 五、Autosar DEM Module 六、其它Module陆续推出 欢迎大家订阅《Autosar_BSW高阶配置》专栏（可以理解为是Autosar培训教程），该专栏每周至少更新一篇，一次订阅，不再二次收费，献上常用的案例和配置方法。下方整理了相关博文的链接（单击蓝色字体即可跳转），方便大家获取。 本专栏...

「汽车电子助手」的博客 4万+

C#上位机+YOLO实战：从环境搭建到实现首个目标检测（零基础入门）

/ YOLOv8的类别名称（共80类，对应COCO数据集）// ONNX推理会话// YOLOv8的输入宽度// YOLOv8的输入高度本文从技术选型、环境搭建到代码实现，详细介绍了如何将C#上位机与YOLOv8结合，实现基础的目标检测功能。整个过程避开了常见的坑点，同时对核心原理和代码逻辑进行了详细解析，希望能帮助零基础的开发者快速入门。实际上，C#上位机+YOLO的组合在工业领域有非常广泛的应用，本文的案例只是一个起点。

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 791

【视频测试地址】各类视频（mp4、flv、mkv、3gp、hls-m3u8、rtsp、rtmp）测试地址摘录

由于我们在做流媒体项目的时候，经常需要用到视频链接做测试用，所以这里为大家找了一些可以使用的链公大家参考测试，链接收集于网络。如有失效请更换下一个链接。 FLV视频链接如下： https://sample-videos.com/video123/flv/720/big_buck_bunny_720p_1mb.flv https://sample-videos.com/video123/flv/720/big_buck_bunny_720p_2mb.flv https://sample-video

weixin_42333548的博客 12万+

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

直播流在线测试地址 m3u8，rtsp，rtmp，flv，mp4

直播流在线测试地址 m3u8，rtsp，rtmp，flv，mp4

boundle_ss的博客 2万+

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

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")

最新可用RTSP、RTMP、M3U8等直播流测试地址合集

整理了目前可正常访问的RTSP、RTMP、M3U8、FLV、MP4等常用直播和视频格式的公网测试地址，涵盖多种清晰度与协议类型，适用于开发调试与播放器测试，持续更新维护，部分地址需注意网络环境。

weixin_42514540的博客 1万+

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

常用rtmp、m3u8、flv、mp4直播流在线测试地址，测试后真实有效，

视频流媒体协议与资源分享（2026年实测可用） 本文汇总了多种视频流媒体协议（RTMP、HLS/M3U8、HTTP-FLV等）的测试地址及特性对比，并附2026年实测可用的播放资源表。关键点如下： 协议对比：RTMP低延迟但依赖Flash；HLS兼容性强但延迟高；HTTP-FLV适合网页低延迟直播；MP4适用于点播。 实测资源：提供H265、VR、M3U8直播等10个可用地址（含RTMP、FLV、M3U8格式）。 选型建议：按场景选择协议，如互动直播用WebRTC，推流用RTMP，兼容性优先选HLS。 欢迎

Cchen的博客 1058

m3u8、rtmp、flv、mp4在线测试地址（亲测有效）

有效的在线视频测试地址

zhuquanfu的专栏 1万+
上一篇： 接口自动化测试平台，零基础入门到精通，收藏这篇就够了
下一篇： 解密Fiddler，从零开始轻松掌握弱网测试技巧！零基础入门到精通，收藏这篇就够了
点赞 21
评论 0
书签 书签 8
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