Windows原理深入学习系列-强制完整性检查

Windows原理深入学习系列-强制完整性控制 0x00 目录 0x01 介绍 0x02 完整性等级 0x03 文件读取测试 0x04 进程注入测试 0x05 原理分析 Win10_x64_20H2 0x06 参考文章 0x01 介绍 强制完整性控制(Mandatory Integrity Control,MIC),它是对 discretionary access control list 的补充,并且是在 DACL 之前检查的 这是从 Windows Vista 新增的安全机制,在 Windows XP 中几乎所有的进程都是运行在管理员权限下的。 在官 阅读详情

这是[信安成长计划]的第 24 篇文章

0x00 目录

0x01 介绍

0x02 逆向分析 Win10_x64_20H2

0x03 总结

0x04 参考文章

最近因为一些事情,拖更了三个周,大家见谅啊,后面还会开始一些其他的系列内容,还等着大家来捧场了。

现在我们接着之前的进度,继续完成 Windows 原理的学习。

在刚开始的时候,我们介绍了强制完整性控制的机制,这次就来看一下在实际的权限检查当中是如何进行的。

0x01 介绍

这次也还是接着上一次的 ObpGrantAccess 函数往后分析了,根据名字也很容易能够判断出这里的作用

图片

不清楚为什么从 ObpGrantAccess 分析的,可以去看一下上一篇文章的介绍部分

0x02 逆向分析 Win10_x64_20H2

在进入函数以后,就是一堆保存堆栈、赋值等等操作

Windows下深度学习环境 做深度学习的话,主流的操作系统都是可以的,Windows、Ubuntu 和 macOS 都可以。这里介绍Windows下面的过程。安装方法首推官方网站文档,这个是最权威最新的。各种博客记录的方法都是各个博主在当时的配置下可行的,试验过的。但是软件版本更新太快了,很多旧版本可行的方法,新版本已经不适用了。 阅读详情

相关推荐

Windows驱动签名强制机制深度解析与永久禁用实战指南

数字签名是软件安全领域的基础验证机制,通过对文件生成唯一哈希值并使用证书机构私钥加密,确保代码的完整性与来源可信性。在操作系统内核层面,驱动签名强制验证作为关键安全策略,能有效阻止未授权内核模块加载,从而保护系统核心免受rootkit等高级威胁。对于开发者、硬件爱好者及特定行业用户而言,在驱动开发测试、老旧硬件兼容或专业工具使用等应用场景中,这一安全机制可能成为实际障碍。本文聚焦Windows驱动签名强制(DSE)机制,深入剖析其启动时与运行时验证原理,并系统对比高级启动、BCDEDIT命令、组策略及禁用S

cmff98425的博客 377

Windows原理深入学习系列-访问控制列表

这是[信安成长计划]的第 19 篇文章 0x00 目录 0x01 介绍 0x02 DACL 0x03 创建DACL 0x04 文件读取测试 0x05 进程注入测试 0x06 原理分析 Win10_x64_20H2 0x07 参考文章 在最后分析的时候纠正一下网上大批分析文章中的一个错误,东西只有自己实践了才知道 0x01 介绍 在上一篇讲强制完整性控制的时候提到过,在权限检查的时候,会先进行强制完整性检查,然后再进行 DACL 检查,DACL 就是包含在这次要提到的 ACL 当中的。 访问控制列表(Acce

SecSource_Stars的博客 3916

IDM插件失效与强制更新:从原理到实战的完整解决方案

浏览器扩展的自动更新机制是提升安全性和功能性的重要设计,其原理在于浏览器会定期从官方商店拉取并静默安装新版本。这一机制在保障用户体验的同时,也可能因版本兼容性或授权校验逻辑的变更,导致特定扩展(如下载管理工具)突然失效,影响核心工作流程。从技术价值看,理解扩展的更新流程与权限控制,能帮助用户从根本上掌握软件的自主权,避免被强制更新所绑架。在实际应用场景中,当IDM等工具的浏览器插件因强制更新而无法工作时,用户可通过修改文件系统权限、调整组策略或管理扩展加载方式等工程实践手段,有效阻断不受控的更新,恢复下载功

weixin_30628801的博客 579

C++实现Windows内核无检测注入:原理、源码与实战解析

内核注入技术是Windows系统底层开发的核心领域,它允许将自定义代码加载到操作系统内核层(Ring 0)执行,从而获得与系统核心组件同等的权限。其原理在于通过驱动模块或Shellcode直接操作内核地址空间,实现对系统调用、内核数据结构乃至硬件的深度控制。这项技术的核心价值在于为安全研究、系统监控、性能优化及数字取证等高级应用场景提供了底层能力支撑。然而,在当今严格的安全环境下,传统的驱动加载方式极易被杀毒软件、EDR系统及Windows自身的PatchGuard等机制检测拦截。因此,实现“无检测”成为技

weixin_33816946的博客 397

逆向WSC API:实现Windows Defender程序化控制的底层原理与实践

在Windows安全体系中,安全产品通过一组标准化的COM接口与系统核心组件进行通信,以实现状态上报与行为协调。这一机制的核心是Windows安全中心(WSC),它作为安全状态的中央协调器,定义了安全产品与操作系统交互的规范协议。理解并合规调用WSC API,对于实现安全产品的精细化管理具有重要技术价值,尤其在自动化运维、软件兼容性测试与安全研究等场景中。通过逆向工程深入分析`wscsvc.dll`服务模块,揭示了其严格的调用者验证机制,包括对进程安全标识符(SID)、数字签名完整性以及强制完整性标志的校验

civtsbiqr522632413的博客 309

手把手教你用Device Guard彻底关闭Windows 11虚拟化,解决eNSP启动问题

本文详细解析了Windows 11 24H2下eNSP模拟器AR_40启动失败的根本原因,并提供了一套基于Device Guard工具的完整解决方案。通过禁用虚拟化安全功能、优化eNSP配置和系统设置,帮助用户彻底解决虚拟化冲突问题,确保网络模拟环境稳定运行。

weixin_30836759的博客 603

解决GoodbyeDPI驱动加载失败:从签名验证到系统策略的完整指南

内核模式驱动程序是操作系统与硬件通信的核心组件,它运行在系统最高权限层级,直接管理硬件资源和关键系统功能。其工作原理在于通过系统服务控制管理器加载.sys文件到内核空间,从而实现对网络协议栈等底层操作的深度介入。这一机制的技术价值在于提供了无与伦比的性能和访问能力,但也带来了严格的安全要求,尤其是在现代Windows系统中。应用场景广泛,从硬件驱动到网络安全工具(如深度包检测工具)都依赖于此。当驱动程序因签名无效、安全启动或系统策略等原因加载失败时,会直接影响工具功能。本文聚焦于GoodbyeDPI工具遇到

cqbh2011的博客 379

Windows UAC绕过技术演进:从白名单劫持到COM接口滥用

用户账户控制(UAC)是Windows操作系统的核心安全机制,通过在进程执行高权限操作时进行权限隔离与提升确认,有效遏制恶意软件的静默提权。其原理基于完整性级别(IL)和访问令牌的权限模型,通过白名单机制实现可信程序的自动提升。在工程实践中,UAC绕过技术经历了从早期的DLL劫持和路径伪装,到深度利用COM组件提升接口的演变,攻击者通过挖掘系统内部合法的提权通道,实现了在不触发标准提示框的情况下获取管理员权限。这些技术不仅揭示了Windows安全架构的设计哲学与信任边界,也为系统管理员构建纵深防御体系提供了

weixin_34242509的博客 406

CTF杂项入门:ZIP伪加密原理与实战修复指南

在CTF竞赛与安全测试中,文件格式分析是基础且关键的技能。ZIP作为广泛使用的压缩格式,其文件结构由本地文件头、文件数据和中央目录等部分组成。理解其二进制层面的组织原理,特别是通用位标记(General Purpose Bit Flag)的作用,是识别文件真实状态的核心。伪加密正是通过篡改通用位标记中的加密标志位(如bit 0),在不实际加密数据的情况下,诱导解压工具索要密码,从而实现一种轻量级的访问干扰。这种技术在CTF签到题中常用于考察选手对基础文件格式的掌握,同时也是一种理解数据存储与标志位验证的经典

weixin_30243533的博客 350

Windows零点击攻击防御实战:Shell 0-Click与BlueHammer攻击链深度解析

零点击攻击是一种无需用户交互即可触发的高级威胁,它通过利用系统或应用中的漏洞实现静默入侵,彻底绕过了传统安全模型中“人”的环节。其技术原理通常涉及对网络协议、内存管理或系统组件的深入利用,例如通过精心构造的恶意数据包触发内存破坏漏洞,或滥用系统服务间的信任关系。这种攻击方式的技术价值在于其极高的隐蔽性和成功率,能够穿透常规的边界防御和用户意识防线,对关键基础设施和企业网络构成严重威胁。在应用场景上,零点击攻击常被用于针对高价值目标的定向攻击,如政府机构、金融机构和大型企业的网络渗透。本文以Windows系统

weixin_34268579的博客 407

Beyond Compare 5 密钥生成器原理与激活技术深度解析

软件授权验证是软件保护的核心机制,其原理通常基于密码学算法,如非对称加密中的RSA。软件通过内置的公钥对许可证密钥进行解密和签名验证,以确保授权的合法性。理解这一机制不仅有助于学习软件安全知识,也能在特定场景下进行合规的技术评估。密钥生成器(Keygen)作为一种常见的非官方激活手段,其技术核心在于逆向或替换软件内置的RSA密钥对,从而生成能通过本地验证的许可证。这种方法涉及对程序二进制文件的修改,存在被安全软件报毒、版本依赖性强以及可能违反软件许可协议的风险。在实际的工程实践中,文件对比与同步是开发、运维

weixin_30786657的博客 453

嵌入式安全架构解析:从i.MX31看硬件信任根与可信启动链设计

在嵌入式系统与物联网设备中,构建可信计算环境的核心在于建立硬件信任根和实现可信启动链。硬件信任根通常基于不可篡改的硬件模块(如OTP熔丝、安全ROM),为系统提供初始的密码学信任锚点。其技术原理是通过密码学签名验证,确保从芯片上电开始,每一段加载的代码都经过完整性和真实性校验,从而形成一条环环相扣的可信链。这种设计能有效防御固件篡改、未授权调试等攻击,为设备提供从启动到运行的全周期安全保障。在工程实践中,该架构广泛应用于数字版权保护、安全支付、工业控制等对设备完整性要求极高的场景。本文以飞思卡尔i.MX31

weixin_30315723的博客 331

软件逆向工程中的自校验机制:原理剖析与绕过实战

在软件安全领域,代码完整性校验是保护软件知识产权和防止篡改的核心技术之一。其基本原理是通过计算程序关键代码段或数据段的哈希值(如CRC32、MD5),并与预设值比对,从而验证程序是否被非法修改。这项技术的核心价值在于为软件构建一道动态的“防盗门”,有效抵御简单的补丁攻击,保护核心算法与商业逻辑。在实际应用中,自校验机制常与反调试、代码混淆等技术结合,广泛应用于商业软件、游戏保护及许可证管理场景。本文聚焦于逆向工程中的自校验攻防,深入剖析其静态与动态实现方式,并探讨通过定位校验代码、修补跳转逻辑或使用内存补丁

weixin_30550081的博客 347

加密音乐文件解密:DRM技术原理与主流格式转换实战指南

数字版权管理(DRM)是一种广泛应用于数字内容保护的技术,其核心原理是通过加密和身份验证机制,将音频、视频等媒体文件与特定的播放设备、软件或账户绑定,防止未经授权的复制与传播。这项技术对于保护创作者版权和平台商业利益具有重要价值,常见于音乐、影视等流媒体订阅服务。在实际应用中,用户常因跨平台播放、个人备份或内容创作等合理需求,需要处理这些受保护的加密音乐文件。本文聚焦于主流音乐平台的专属加密格式(如NCM、QMC等),深入解析其技术差异,并系统介绍基于本地化、开源工具的安全解密方案与全流程操作实践,帮助用户

weixin_33708432的博客 426

Minitab 22安装失败的五大静默断点与系统环境硬性要求

Minitab作为专业统计分析软件,其稳定运行高度依赖Windows底层运行时环境。理解.NET Framework、Visual C++ Redistributable等核心运行库的版本与架构匹配原理,是规避安装异常的关键技术前提。Minitab 22强制要求64位系统环境、.NET Framework 4.8完整离线安装包及VC++ 2015–2022 x64运行库,缺失任一都将导致静默失败——如MSVCP140.dll报错或安装后无法启动。这类问题本质是企业级统计软件对系统完整性与权限控制的严苛设计,

weixin_30785593的博客 473

“三进制”bonsai27b+NInfer=6g显存闪电侠(token真的自由了!)

本文将1.58-bit三元大模型Bonsai27B成功移植至NInfer推理引擎,并在RTX 4080 SUPER上实现100+ token/s的极速推理。通过自研补丁扩展NInfer支持Ada架构与三元量化格式,解决激活布局、行置换等关键bug,实测PPL 6.445,单流吞吐达96.7–130.8 t/s,20题基准得分16/20。附完整复现包(含文档、工具、源码补丁),零权重分发,助力垃圾显卡跑通27B级模型。

shensanshu的博客 1万+

无人机WIFI集群组网技术详解及成本分析

无人机WIFI集群组网技术是指利用无人机作为移动平台,通过集成高性能的WIFI模块,实现多架无人机之间以及无人机与地面控制站之间的无线通信组网。在协议层面,无人机WIFI集群组网需要遵循标准的无线通信协议,如IEEE 802.11系列(即WIFI标准),同时可能还需定制或优化路由协议、媒体访问控制(MAC)协议等,以确保高效、可靠的数据传输。数据安全与隐私保护:无人机集群组网中传输的数据可能涉及敏感信息,需采取加密、认证等安全措施,确保数据传输的安全性和用户隐私的保护。根据性能不同,价格差异较大。

专注多旋翼、复合翼无人机技术研究,从事低空经济行业。 1584

VL53L1X vs VL53L0X:激光测距传感器选型指南与性能对比

本文深入对比了VL53L1X与VL53L0X两款激光测距传感器的核心差异。VL53L1X采用区域ToF原理,在抗环境光干扰、最大测距及多目标识别方面优势显著,尤其适合复杂光线与动态场景。文章结合机器人避障、无人机定高等实战场景,提供了清晰的选型决策树,帮助工程师根据测距需求、环境复杂度与系统成本做出最优选择。

weixin_29197699的博客 395

一文搞懂core-scheduling核心机制

一文搞懂core scheduling的工作核心机制

大吉 1832

Spring AI 项目实战(五):Spring Boot + AI + DeepSeek + Redis 实现聊天应用上下文记忆功能(附完整源码)

本文介绍了如何基于Spring Boot 3.2、Spring AI 1.0.0-M4、DeepSeek API和Redis构建具备上下文记忆功能的智能聊天应用。项目采用现代化技术栈,包括Java 17、Maven、Lombok等,实现了智能对话、会话管理、异常处理等核心功能。文章详细讲解了环境搭建、配置管理(含Redis和AI服务集成)、核心组件设计(如消息实体、控制器和服务层实现),以及完整的项目结构。该项目提供了美观的Web界面和REST API,支持对话上下文存储(通过Redis实现)和系统监控,可

博客 830

【异常】安装hermes-agent时Git克隆大仓库报错:error: RPC failed; curl 92 HTTP/2 stream 5 was not closed cleanly: CAN

摘要:本文分析了Ubuntu服务器执行Git递归克隆时出现的网络传输中断错误(HTTP/2流异常关闭、数据截断)。主要原因是网络限制、协议兼容问题和缓冲区不足。提供了四种解决方案:1)扩大Git HTTP缓冲区;2)切换为HTTP/1.1协议;3)采用浅克隆+分步拉取子模块;4)网络优化措施。重点推荐浅克隆分步拉取作为最有效方案,所有方法无需重启即可生效,可快速解决大仓库递归克隆失败问题。

奶爸的编程之路,也就一周冷个三天 671

【数据集4】GSWP3数据集详解

简介GSWP3数据集

WW、forever的博客 1368

pandas教程:2012 Federal Election Commission Database 2012联邦选举委员会数据库

里面包含了支持者的名字,职业和雇主,地址,赞助金额。我们可以已经能想到如何切割、整理数据,来提取赞助者的统计数据,或提取宣传活动的模式,这里我们展示一些不同的分析方法。可以看到有些职业是同一种工作类型,指代的是同一个东西。这两个连续操作是分别独立执行的,一个结束后,另一个才开始。上,这里我是把数据集压缩成了ZIP格式,解压后能正常导入)。我觉得也有必要好好了解一下,这个网站做了很好的讲解,),所以我们最好添加这样的信息。这样的情况,即把两个索引操作连在一起。,发现映射关系被正常执行了,所以这里的。

Cachel Wood的博客 351

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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")

jre9下载 jdk9

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

上一篇: Windows原理深入学习系列-信任等级检查
信安成长计划@Stars
博客等级 码龄5年 19粉丝 22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