有史以来最糟糕的500个密码

SeaWave SeaWave 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 5.3k累计阅读 5.4k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27年
关注
转载 最新推荐文章于 2026-05-06 17:06:59 发布 5.3k 阅读 AI 写同款· GEO 优化 ›
密码变形：打造坚不可破的密码 本文深入探讨了密码安全性的重要性以及如何通过各种技巧和方法，使密码变得复杂和难以预测。文章首先列举了500个最糟糕的密码，随后介绍了一系列密码变形技术，包括使用方言、打乱、切片和切块、重复、替代字符、过度标点、模仿言语障碍、使用非词和外来语、利用打字错误以及通过网络搜索验证密码的独特性。通过这些方法，读者可以创建出既独特又安全的密码。 阅读详情

转自煎蛋的这篇文章

有史以来最糟糕的500个密码，据说大约有1/9的人至少使用过下列的一个密码，而有1/50的人使用过排名前20的最糟的密码。

NOTop 1-100Top 101–200Top 201–300Top 301–400Top 401–500
1123456porschefirebirdprincerosebud
2passwordguitarbutterbeachjaguar
312345678chelseaunitedamateurgreat
41234blackturtle7777777cool
5pussydiamondsteelersmuffincooper
612345nascartiffanyredsox1313
7dragonjacksonzxcvbnstarscorpio
8qwertycamerontomcattestingmountain
9696969654321golfshannonmadison
10mustangcomputerbond007murphy987654
11letmeinamandabearfrankbrazil
12baseballwizardtigerhannahlauren
13masterxxxxxxxxdoctordavejapan
14michaelmoneygatewayeagle1naked
15footballphoenixgators11111squirt
16shadowmickeyangelmotherstars
17monkeybaileyjuniornathanapple
18abc123knightthx1138raidersalexis
19passicemanpornosteveaaaa
20fuckmetigersbadboyforeverbonnie
216969purpledebbieangelapeaches
22jordanandreaspiderviperjasmine
23harleyhornymelissaou812kevin
24rangerdakotaboogerjakematt
25iwantuaaaaaa1212loversqwertyui
26jenniferplayerflyerssuckitdanielle
27huntersunshinefishgregorybeaver
28fuckmorganpornbuddy4321
292000starwarsmatrixwhatever4128
30testboomerteensyoungrunner
31batmancowboysscoobynicholasswimming
32trustno1edwardjasonluckydolphin
33thomascharleswalterhelpmegordon
34tiggergirlscumshotjackiecasper
35robertbooboobostonmonicastupid
36accesscoffeebravesmidnightshit
37lovexxxxxxyankeecollegesaturn
38busterbulldogloverbabygemini
391234567ncc1701barneycuntapples
40soccerrabbitvictorbrianaugust
41hockeypeanuttuckermark3333
42killerjohnprincessstartrekcanada
43georgejohnnymercedessierrablazer
44sexygandalf5150leathercumming
45andrewspankydoggie232323hunting
46charliewinterzzzzzz4444kitty
47supermanbrandygunnerbeavisrainbow
48assholecompaqhorneybigcock112233
49fuckyoucarlosbubbahappyarthur
50dallastennis2112sophiecream
51jessicajamesfredladiescalvin
52pantiesmikejohnsonnaughtyshaved
53pepperbrandonxxxxxgiantssurfer
541111fendertitsbootysamson
55austinanthonymemberblondekelly
56williamblowmeboobsfuckedpaul
57danielferraridonaldgoldenmine
58golfercookiebigdaddy0king
59summerchickenbroncofireracing
60heathermaverickpenissandra5555
61hammerchicagovoyagerpookieeagle
62yankeesjosephrangerspackershentai
63joshuadiablobirdieeinsteinnewyork
64maggiesexsextroubledolphinslittle
65bitemehardcorewhite0redwings
66enter666666topgunchevysmith
67ashleywilliebigtitswinstonsticky
68thunderwelcomebitcheswarriorcocacola
69cowboychrisgreensammyanimal
70silverpanthersuperslutbroncos
71richardyamahaqazwsx8675309private
72fuckerjustinmagiczxcvbnmskippy
73orangebananalakersnipplesmarvin
74merlindriverrachelpowerblondes
75michellemarineslayervictoriaenjoy
76corvetteangelsscottasdfghgirl
77bigdogfishing2222vaginaapollo
78cheesedavidasdftoyotaparker
79matthewmaddogvideotravisqwert
80121212hooterslondonhotdogtime
81patrickwilson7777parissydney
82martinbuttheadmarlbororockwomen
83freedomdennissrinivasxxxxvoodoo
84gingerfuckinginternetextrememagnum
85blowjobcaptainactionredskinsjuice
86nicolebigdickcartereroticabgrtyu
87sparkychesterjasperdirty777777
88yellowsmokeymonsterforddreams
89camaroxavierteresafreddymaxwell
90secretstevenjeremyarsenalmusic
91dickviking11111111access14rush2112
92falconsnoopybillwolfrussia
93taylorbluecrystalnipplescorpion
94111111eaglespeteriloveyourebecca
95131313winnerpussiesalextester
96123123samanthacockfloridamistress
97bitchhousebeerericphantom
98hellomillerrocketlegendbilly
99scooterflowerthemanmovie6666
100pleasejackoliversuccessalbert

---------------------------- 我是分隔线 ----------------------------

2009.01.22更新：今天发现一个网站，据称收录了457,354,352,282条字符串对应的MD5值，用来根据MD5值反查密码明文，试了下，的确很强大，很多密码都被查出来了。当然，遇到大小写字母混合数字甚至~!@#$%^&*()这些怪字符的密码强度还是够高的。

标签
#access
密码创造的艺术：如何构建强大而难忘的密码 本文深入探讨了密码创造的策略，提供了构建强大且独特密码的方法，同时分析了常见密码的缺陷，并提醒读者避免使用弱密码。通过具体案例和模式，本文旨在提高读者的密码安全意识。 阅读详情

相关推荐

verilog-------数字密码锁

wire clr,clkp,btnall; wire [3:0]bn; wire [31:0]sw; assign sw='h55556666; assign btnall=btn[0]|btn[1]|btn[2]|btn[3]|btn[4]|btn[5]|btn[6]|btn[7]; assign bn[3]=btn[7]; assign bn[2]=btn[3]|btn[4]|btn[5]|btn[6]; assign bn[1]=btn[1]|btn[2]|btn[5]|btn[6]; assign bn[0]=btn[0]|btn[2]|btn[4]|btn[6]; clock_pulse U1(.inp(btnall), .cclk(mclk), .outp(clkp)

3500 vocabulary

听力单词写作单词阅读单词记忆曲线找共性，找对比，找树形声音，文字，典故声音：bang巨响，爆炸bomb炸弹文字：drag拽 draw吸引，拉，画 drawer抽屉，起草者draft草稿，拟稿 drift漂移，漂流 dragon龙train tractor拖拉机 abstract抽象典故：A alimentW waterM mountainS sea salt salaryhatch孵化，开口 he...

overwinner 9万+

密码锁（Verilog设计）程序

功能：采用verilog设计，7段数码管进行输入的显示，在DE-2平台上进行密码锁的实现的程序

Twitter的禁用口令

原文地址：http://coolshell.cn/articles/2451.html 打开Twitter的注册页面，https://twitter.com/signup，查看一下源码，你会看到一个很长的禁用口令列表（见本文最下面），其中的某些口令的确很雷人。你可以参看本站

masic007のlogs 1万+

数字逻辑电路-电子密码锁

【用途和摘要】本文的电子密码锁利用数字逻辑电路，实现对门的电子控制，并且有各种附加电路保证电路能够安全工作，具有极高的安全系数。 【本文关键词】电子密码锁、电压比较器、555单稳态电路、计数器、JK触发器、UPS电源。

FPGA数字密码锁的设计

在系统复位后，用户按键6次，输入一个完整的密码串，输入完6次后，系统进行比对，如果发现密码吻合，则开门，否则要求用户继续输入，如果连续3次输入的密码串都是错误的，则系统报警，直到输入正确的密码，报警声停止。

基于Vivado和Ego1的密码锁设计

本文介绍了一种基于FPGA的密码锁系统设计。系统在Ego1硬件平台上实现，使用Verilog HDL编程，通过Vivado软件进行开发。设计包含密码验证、修改密码、超时锁定等功能模块，采用数码管显示状态和LED灯倒计时提示。系统通过五个按键进行交互，支持两种工作模式：密码验证模式和密码修改模式。当输入超时（约4秒）时，系统会自动锁定。测试结果表明，该系统能正确完成密码验证、修改密码和超时锁定等设计功能，实现了预期的安全控制目标。该设计结合了硬件描述语言编程和FPGA开发技术，为嵌入式系统安全应用提供了实践案

毕业作品网站 6308

数字密码锁设计--源码（可以在vivado上运行，在FGPA上跑）

hit数字逻辑电路设计（大作业）

Second season fourth episode,Ross get twice a night?

[Scene: Monica and Rachel's apartment. Rachel is on the phone.] RACHEL: Mom, would you relax. That was 10 blocks from here and, the, the woman was walking alone at night, I would never do that. Mom, c'mon, stop worrying. This is a safe street, this is a sa

xiyangxia666hui的博客 6万+

实验记录 | 如何拆分scATAC-seq数据成为单个细胞？（1、解决barcode问题）

在师兄的帮助下，我得到了师兄筛选过的细胞的barcode的数据，那么接下来我想根据这些barcode，将来源于同一个barcode的细胞的reads提取出来，这个还是一个蛮有技术含量的事情的，因为上次我有使用过perl的脚本进行提取，最后的实验结果很糟糕，故而这件事情一直搁置到现在，没有继续去做（我的脚本的编写能力还是有待于加强，可能是刚刚喝了奶茶，和老妈弟弟聊了好多闲话，很开心，觉得在某种程度上休息够了，对于工作也是一种非常快乐和积极的状态了）。 0。前期失败尝试回顾 ...

weixin_40640700的博客 1887

信号完整性入门：为什么工程师总爱用dB来描述衰减？

本文深入探讨了信号完整性分析中工程师偏爱使用dB（分贝）单位描述衰减的原因。dB通过对数转换，将大动态范围的乘除关系简化为加减运算，极大地方便了多级系统分析和链路预算计算。文章重点解释了-3dB点的核心意义，即功率衰减一半的临界状态，并阐述了其在评估信道带宽、插入损耗与回波损耗等关键参数中的实际应用，是高效工程思维和沟通的重要工具。

weixin_29263201的博客 386

互联网最常用的密码和中国人最常用的密码 看看你的密码在不在里面

如果你是黑客，可以先把这些密码试一遍再寻求技术破解，免得浪费时间如果你的密码是下列中的一个，抓紧改一下吧，上面的黑客马上就要破解你的密码了 呵呵 全球最常用的密码TOP 500： NOTop 1-100Top 101–200Top 201–300Top 301–400Top 401–5001123456porschefir

Rainman的专栏 1万+

领域驱动新实践：COLA框架全解析——架构设计与实战案例解析

定义订单支付事件java代码解读复制代码} }Order定义Order类，继承并实现支付逻辑：java代码解读复制代码} }定义接口：java代码解读复制代码定义类，处理订单支付逻辑并持久化：java代码解读复制代码} }定义和处理订单支付事件：java代码解读复制代码} }java代码解读复制代码} }定义和接口及其实现：java代码解读复制代码java代码解读复制代码。

2401_89221445的博客 2662

“123456”连续七年霸榜，2019最糟糕密码榜单出炉

来自：FreeBuf.COM，作者：Allen别bb链接：https://www.freebuf.com/news/223285.html又到年底，听说SplashData 公布了20...

运维派 428

数字太大放不下，高精度来补，如何放下超大数字，以及进制转换，高精度真的超好玩。 洛谷1009，1015

想必大家都遇到过数字大小超过int类型范围的情况，是不是碰到int放不下的数字自然就会想到，long int，long long int，甚至unsigned long long int呢。但是有一些出题者就很可恶，偏要出一些连unsigned long long int也放不下的算法题，应对这些问题时，我们是否有相应的应对方法呢？答案是：当然有，高精度就是一种应对这种问题时很好的解决办法。相信你在看完这篇文章后能对高精度有着更深更好的理解。我会循序渐进的来讲，这样大家也更容易听懂。

2303_79329831的博客 1229

软考高级网络规划设计师教程（第3版）

"本书是由工业和信息化部教育与考试中心组织编写的考试用书，依据《网络规划设计师考试大纲》（2026年审定通过）编写。本书分为两篇：第一篇为网络规划与设计综合知识，其中第1章介绍计算机网络基础知识，第2章介绍网络互连与互联网，第3章介绍网络规划与设计的知识和方法，第4章介绍网络资源设备，第5章介绍网络安全技术，第6章介绍标准化和网络安全法规；第二篇为案例实践，其中第7章介绍网络规划案例，第8章介绍网络故障分析与处理案例，第9章介绍网络安全部署案例，第10章介绍网络规划与设计论文写作的指导思想和写作技巧。

鹿鸣天涯 3942

最糟糕的五百个用户密码

最糟糕的五百个用户密码 　　人们刚开始使用密码没多久，就有人发现很多人一再使用完全相同的密码，即使是拼错的密码也惊人地一致。 事实上，正因为人们对密码的设置可以被猜测出来，所以大部分黑客都会用到下面的常用密码表。从下列500个最常用的密码中，你可以洞悉安全意识薄弱的人有 多么危险。如果你在这个表中看到了自己常用的密码，赶紧换掉吧。要知道，下面列出的每个密码都至少被成...

weixin_30367543的博客 2061

训练救星！EMA多尺度注意力让YOLOv11轻松攻克自定义数据集不涨点难题

在目标检测模型训练中，自定义数据集不涨点是阻碍算法落地的核心痛点之一。传统训练策略在数据分布特殊、样本量有限的场景下极易陷入收敛停滞，而 EMA（指数移动平均）结合多尺度注意力的方案，在自定义数据集上实现mAP 提升 6.5%，同时让训练曲线从“平缓停滞”转为“持续攀升”，彻底解决创新点在自有数据上的性能瓶颈。本教程将带你从原理到实践，通过 EMA 多尺度注意力为 YOLOv11 注入训练稳定性，让你的自定义数据集模型训练实现质的飞跃。EMA 衰减率：小样本数据集建议将decay。

FJN110的博客 160

司空见惯 - 糟糕的密码

维基解密的朱利安-阿桑奇（Julian Assange）声称，希拉里-克林顿 2016 年的竞选团队主席约翰-波德斯塔（John Podesta）在他的一个系统中使用了一个 "password "变体，而其他报告显示，波德斯塔在其他几个系统中使用了一个稍微复杂一点但仍然很容易被黑的 "Runner4567"。该公司发布的一份报告显示，当今 90% 的企业登录流量来自攻击者的自动连接尝试，他们使用在其他网站的登录屏幕上窃取的密码来登录，以便接管账户。

guoqx的专栏 152

训练YOLOv11 | Pytorch和Pycharm的安装教程适用W11系统（附详细的系统变量添加过程）

根据你之前下载的版本选择对应的选项即可，然后复制底下的绿色代码到Anaconda的命令行输入即可(这里要在你安装的python环境里进行安装,例如我的环境名字是PyTorch,那么就是activate PyTorch里进行安装)然后同之前一样会加载一会，然后会询问我们是否下载配件,我们输入Y等待即可（下载过程中我们要确保网络通常如果有波动可能会下载失败）。类似于我的电脑是Windows11选择上面红框内的选项即可点击后即下载,(注意这里下载的是zip文件)下载完成后复制下面几个文件。

Snu77的博客 1万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

2018年度Top25“糟糕”密码，你用了吗？

SplashData公司在评估了互联网上泄露的500多万个密码后，发现大量计算机用户持续使用相同的易于猜测的密码，使得他们面临遭受黑客攻击和身份被盗的巨大风险。 “123456”和“password”等常见易破解的密码仍占据榜首，而尤为“亮眼”的是，美国总统特朗普以“donald”首次亮相在常用（易破解）密码排行榜第23位。 “对不起,总统先生,但这不是假新闻,用你的名字或任何常见的名称作为...

mozhe_的博客 255

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

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")

HTTP Status 500 – Internal Server Error

在完成Servlet跳转的时候发生报错： HTTP Status 500 – Internal Server Error Type Exception Report Message Servlet execution threw an exception Description The server encountered an unexpected condition that preven...

Caiden_Michael 2万+

优秀CISO与糟糕透顶的CISO原来差别这么大，留言你们单位是哪个！

纵观优秀CISO的10项特质，核心并非“掌握多少技术”或“拥有多少预算”，而是“以业务成功为目标，用战略思维管理风险，用协作方式推动变革”。他们既是技术专家，也是文化建设者；既是风险管理者，也是业务赋能者。在数字化风险日益复杂的今天，企业需要的不再是“只会灭火的安全管理员”，而是能将安全转化为“竞争力”的战略伙伴。而成为这样的CISO，始于心态的转变——从“我负责安全工具”到“我对企业韧性负责”，从“要求他人配合”到“与团队协作共赢”。这，正是优秀CISO与糟糕CISO的根本分野。

从零开始，掌握网络安全。提供全面的网络安全教程、攻防演练技巧和行业动态。 577
上一篇： 网易就是评论最好看
下一篇： 为什么std::string不提供到const char *的operator？
点赞 0
评论 0
书签 书签 0
SeaWave
SeaWave
博客等级 码龄27年 117粉丝 126原创
+ 关注
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