解密.dat文件:用Qt6还原Edge浏览器配置数据的完整过程

解密Windows系统.dat文件:用Qt6实现自定义格式解析与生成 本文深入探讨了使用Qt6解析和生成Windows系统.dat文件的技术细节,重点介绍了QFile和QDataStream在二进制数据处理中的应用。通过实战案例演示如何逆向分析Edge浏览器的.dat文件,并提供了设计自定义二进制格式的最佳实践和性能优化技巧,帮助开发者高效处理结构化数据。 阅读详情

逆向解析Edge浏览器.dat配置文件的Qt6实战指南

当你在Edge浏览器的安装目录下发现那些神秘的.dat文件时,是否曾好奇这些二进制数据背后隐藏着什么秘密?本文将带你深入探索如何利用Qt6的强大二进制处理能力,逆向解析这些看似杂乱无章的配置文件,揭开它们的神秘面纱。

1. 理解.dat文件的本质与挑战

.dat文件是Windows系统中常见的通用数据容器,它们可以存储任何类型的信息——从简单的文本到复杂的二进制结构。Edge浏览器使用这种格式保存各种配置数据,包括用户偏好、会话状态和扩展设置等。与人类可读的JSON或XML不同,.dat文件采用紧凑的二进制格式,具有以下典型特征:

  • 无固定结构:完全由创建程序定义其内部组织方式
  • 体积小巧:二进制编码比文本格式更节省空间
  • 安全性高:难以被普通用户直接修改
  • 跨语言兼容:任何编程语言都能处理原始字节数据

逆向解析这类文件面临三大挑战:

  1. 魔术数字识别:需要确定文件类型和版本
  2. 动态内存分配:数据块大小通常在运行时决定
  3. 字节序问题:不同平台可能采用不同字节存储顺序
// 典型的.dat文件头可能包含的魔术数字
const quint32 EDGE_CONFIG_MAGIC = 0x45444745; // "EDGE"的ASCII码表示

2. Qt6二进制处理核心组件

Qt6提供了两个关键类来处理二进制数据:

2.1 QFile - 文件访问基础

作为QIODevice的子类,QFile负责与物理文件的交互,提供基本的打开、关闭和定位功能:

QFile file("settings.dat");
if(!file.open(QIODevice::ReadOnly)) {
    qDebug() << "文件打开失败:" << file.errorString();
    return;
}

2.2 QDataStream - 数据流处理专家

这个类实现了平台无关的二进制数据序列化,支持从基本类型到复杂Qt对象的转换。其核心优势包括:

  • 自动字节序处理:在BigEndian和LittleEndian间自动转换
  • 类型安全:严格的类型系统防止数据解释错误
  • 版本控制:兼容不同Qt版本的数据格式
方法描述适用场景
readRawData()读取原始字节已知长度的二进制块
writeBytes()写入带长度前缀的数据字符串和变长数据
setVersion()设置流版本确保兼容性

3. 逆向分析实战步骤

3.1 文件头解析与验证

每个规范的.dat文件通常以魔术数字开头,这是我们识别文件类型的第一个线索:

QDataStream stream(&file);
stream.setByteOrder(QDataStream::LittleEndian); // Edge通常使用小端序

quint32 magic;
stream >> magic;
if(magic != EDGE_CONFIG_MAGIC) {
    qDebug() << "无效的Edge配置文件";
    return;
}

quint16 version;
stream >> version;
qDebug() << "发现Edge配置文件版本:" << version;

3.2 动态数据块读取技巧

Edge配置文件常采用"类型标记+数据长度+实际数据"的结构。以下是如何安全读取这种动态内容:

while(!stream.atEnd()) {
    quint8 typeTag;
    quint32 dataSize;
    
    stream >> typeTag >> dataSize;
    
    QByteArray buffer;
    buffer.resize(dataSize);
    if(stream.readRawData(buffer.data(), dataSize) != dataSize) {
        qDebug() << "数据读取不完整";
        break;
    }
    
    processConfigBlock(typeTag, buffer); // 自定义处理函数
}

3.3 处理复杂数据结构

当遇到嵌套结构时,可以采用递归解析策略。例如处理Edge的书签配置:

void parseBookmarks(QDataStream& stream) {
    quint32 bookmarkCount;
    stream >> bookmarkCount;
    
    for(quint32 i = 0; i < bookmarkCount; ++i) {
        QString title;
        QUrl url;
        quint64 timestamp;
        
        stream >> title >> url >> timestamp;
        
        // 处理可能的子文件夹
        bool hasChildren;
        stream >> hasChildren;
        if(hasChildren) {
            parseBookmarks(stream); // 递归调用
        }
    }
}

4. 高级技巧与调试方法

4.1 字节序问题解决方案

跨平台应用必须处理字节序差异。Qt提供了完善的工具:

// 检测系统字节序
if(QSysInfo::ByteOrder == QSysInfo::BigEndian)
    qDebug() << "系统使用大端序";
else
    qDebug() << "系统使用小端序";

// 强制设置流字节序
stream.setByteOrder(QDataStream::BigEndian); // 统一使用大端序

4.2 错误处理与数据验证

完善的错误处理机制能避免程序崩溃:

// 检查流状态宏
#define CHECK_STREAM(stream) \
    if(stream.status() != QDataStream::Ok) { \
        qDebug() << "流错误:" << stream.status(); \
        return false; \
    }

// 使用示例
quint32 dataSize;
stream >> dataSize;
CHECK_STREAM(stream);

if(dataSize > MAX_ALLOWED_SIZE) {
    qDebug() << "数据大小超出限制";
    return false;
}

4.3 十六进制调试输出

当解析失败时,查看原始十六进制数据非常有用:

QByteArray peekBytes(qint64 pos, qint64 count) {
    qint64 oldPos = file.pos();
    file.seek(pos);
    QByteArray data = file.read(count);
    file.seek(oldPos);
    return data;
}

// 输出前16字节的十六进制表示
qDebug() << "文件头:" << peekBytes(0, 16).toHex();

5. 实战案例:还原Edge会话配置

让我们通过一个完整示例恢复Edge的最后一个会话:

bool restoreLastSession(const QString& filePath) {
    QFile file(filePath);
    if(!file.open(QIODevice::ReadOnly))
        return false;

    QDataStream stream(&file);
    stream.setVersion(QDataStream::Qt_6_0);

    // 验证文件头
    quint32 magic, version;
    stream >> magic >> version;
    if(magic != SESSION_MAGIC || version > CURRENT_SESSION_VERSION)
        return false;

    // 读取窗口配置
    QVector<BrowserWindow> windows;
    stream >> windows;

    // 实际应用中这里会创建UI窗口
    qDebug() << "找到" << windows.size() << "个浏览器窗口";

    file.close();
    return true;
}

注意:实际生产环境中应添加更多错误检查和数据验证,上述代码已简化核心逻辑

6. 性能优化与安全考量

处理大型配置文件时,性能成为关键因素:

  1. 内存映射技术:对于超大文件,考虑使用QFile::map()
  2. 缓冲读取:避免频繁的小数据块读取
  3. 异步处理:使用QFuture和QtConcurrent保持UI响应

安全方面需特别注意:

  • 验证所有输入数据长度
  • 设置合理的解析超时
  • 隔离解析过程,防止恶意文件导致崩溃
// 使用内存映射的示例
QFile file("large_config.dat");
if(file.open(QIODevice::ReadOnly)) {
    uchar* mapped = file.map(0, file.size());
    if(mapped) {
        QDataStream stream(QByteArray::fromRawData(
            reinterpret_cast<char*>(mapped), file.size()));
        // 处理数据...
        file.unmap(mapped);
    }
}

7. 扩展应用与进阶方向

掌握了.dat文件解析技术后,你可以进一步探索:

  1. 实时监控:使用QFileSystemWatcher监视配置变更
  2. 差异分析:比较不同版本的配置文件变化
  3. 数据修复:开发配置文件修复工具
  4. 跨平台同步:解析Edge在macOS和Linux上的配置格式
// 配置变更监控示例
QFileSystemWatcher watcher;
watcher.addPath("UserData/Default/Preferences.dat");

QObject::connect(&watcher, &QFileSystemWatcher::fileChanged, [](const QString& path) {
    qDebug() << "检测到配置文件修改:" << path;
    // 触发重新加载...
});

逆向工程就像数字考古,每个.dat文件都是等待破解的历史卷轴。通过Qt6提供的强大工具,我们不仅能够理解Edge浏览器的内部工作机制,还能开发出各种实用的配置管理工具。记住,能力越大责任越大,这些技术应当仅用于合法合规的用途。

银狐木马伪装输入法攻击链深度剖析与防御实战 恶意软件分析是网络安全领域的核心技能,其原理在于通过静态与动态技术手段,逆向解析恶意代码的行为逻辑、通信机制与持久化方式,从而理解攻击者的意图与手法。这项技术的价值在于能够提前预警威胁、制定精准的防御策略并有效进行应急响应。在诸如勒索软件、供应链攻击、APT攻击等复杂场景中,深入的行为分析尤为关键。本文以近期活跃的“银狐”木马为例,它通过伪装成搜狗拼音输入法进行传播,并利用复杂的持久化机制和反分析技术隐藏自身。文章将详细拆解其从样本获取、静态反混淆、动态行为监控(包括文件操作、注册表修改、网络通信)到最终的 阅读详情

相关推荐

OpenClaw直读同花顺内存实现AI盯盘实战指南

Windows桌面级金融软件如同花顺,因其封闭架构与私有协议,长期缺乏标准API支持,导致普通用户难以接入AI分析工具。本文围绕进程内存读取这一底层技术路径,解析如何利用pywin32、psutil与Windows调试权限,在不依赖网络接口、不逆向DLL的前提下,稳定提取实时行情数据。该方案规避了券商API年费、Web抓包失效、UI识别漂移等常见痛点,具备强兼容性与低维护成本,适用于本地化AI盯盘、自动止盈止损、多股动态监控等散户高频场景。核心聚焦OpenClaw技能扩展与同花顺内存映射实践,让大模型真正‘

weixin_30239339的博客 467

AR-HUD相关技术介绍2021-03-23

随着智能驾驶技术的不断革新,越来越多的外部传感器的加入,AR-HUD的功能与效果会得到进一步的提升。  看过电影《极品飞车》、《钢铁侠》的朋友,在享受其紧张刺激的电影情节的过程中,想必对其中展示的HUD技术也会记忆犹新。 什么是HUD   HUD,全称Head Up Display,又可称之为“抬头数字显示仪”。它的前身是战斗机上的光学瞄准器,最早出现在第一次世界大战期间。这种瞄准器利用光学反射原理,将瞄准光圈投射在飞行员前方的玻璃上面,使得飞行员在瞄准射击的同时,可以观察周围的环境变化。   

woxincd的专栏 1万+

文件头魔术数字解析:从原理到实战的文件类型识别指南

本文深入解析文件头魔术数字的原理与实战应用,揭示其作为文件真实“身份证”的核心作用。通过对比常见文件格式的十六进制签名,并结合Python代码示例,详细演示了如何通过读取文件头进行精准的文件类型识别。文章还探讨了在安全校验、数据恢复等真实场景中应用魔术数字技术的进阶技巧与常见问题。

weixin_29208077的博客 254

WebGL编程指南-22 绘制每个面指定颜色的立方体

如上,绘制了不同面指定颜色的立方体。

weixin_46773434的博客 533

【信息科学与工程学】【审计学】第一篇 招投标领域审计算法02

给定人、事、时、地、物等实体集合V和证据事实集合F, 构建一个概率图模型, 计算任意两个实体/事实之间存在关联关系的概率。:构建一个深度贝叶斯网络, 其中顶层为待推断的心理特征P, 中间层为可观测的行为模式B, 底层为多模态证据E。:基于现场痕迹、行为模式、通讯内容等证据E, 推断嫌疑人的心理特征向量P(如反社会性、冲动性、策划能力)。:对高风险的案件, 自动检索关联当事人、律师涉及的其他历史案件, 形成关联视图。:定义如“当事人-律师-当事人”、“当事人-多案件”等路径, 捕捉隐蔽关联。

weixin_49199313的博客 420

【信息科学与工程学】计算机科学与自动化—第十五篇 云计算 11 算法篇02

但若第一个应用需求40GB/s,第二个10GB/s,总需求50GB/s>40GB/s,第一个得32GB/s,第二个得8GB/s,不公平。但若分区负载不均(分区1-2各有100任务/s,分区3-4各有50任务/s),A负责1-2(200/s),B负责3-4(100/s),仍均衡。任务 τi​ 的计算需求 Wi​(CPU周期),在频率 f 下执行时间 Ti​=Wi​/f,能耗 Ei​=Pdyn​⋅Ti​=Ceff​⋅V2⋅f⋅(Wi​/f)=Ceff​⋅V2⋅Wi​。若 Mneed​>Mi​,需使用远程显存。

weixin_49199313的博客 114

HUD:发展潜力巨大,DLP技术让未来驾驶一目了然

在未来,随着HUD技术的不断演进,还有汽车智能化、网联化发展的需求,有分析机构指出,未来五年HUD将会加速渗透,到2028年,HUD市场渗透率将突破40%。在1988年,车用HUD首次出现在通用汽车发布的新车“Oldsmobile Cutlass Supreme Indy 500 Pace Car”之上,自此HUD开始了漫长的普及之路,在过去20多年里HUD经历了缓慢的发展,然而,近年来AR技术的崛起以及W-HUD在显示效果和成本上的显著改善,使得HUD技术重新焕发了生机并吸引了大众的关注。

weixin_44237705的博客 1377

HUD开发资料含代码.rar

江森自控 HUD设计资料 含软件代码 !!!!

非常Linux——file命令与magic file

//本文基于CentOS6.3 distribution file命令的作用是用于检验文件的类型,并打印至终端。file命令检验文件类型按以下顺序来完成: 检验文件系统(Filesystem)中支持的文件类型。检验magic file规则。检验文件内容的语言和字符集。 检验文件系统(Filesystem)中支持的文件类型 文件系统支持的文件类型指的是通过ls -l中第一个字符表示的

让梦想从这里起飞…… 1万+

鼎阳示波器SCPI指令与MD5算法解锁带宽升级实战

本文详细介绍了鼎阳示波器通过SCPI指令与MD5算法实现带宽升级的实战流程。从设备连接、信息获取到Python密钥生成脚本解析,逐步指导用户完成升级操作,并涵盖常见问题排查与功能选件激活指南,帮助用户充分释放设备潜能。

www00的博客 358

线上专利申请(超详细)| 签名确认

在【法人登录】页面点击【证书登录】按钮,弹出证书登录提示框,点击【确 认】按钮,进入到输入证书密码页面,点击【取消】按钮,取消本次操作。企业在提交申请时,需要增加签名,如使用企业账户点击提交,会弹出“法人、代理机构不能签名,请使用经办人签名”,这个时候就需要换个账号了。在需要签名时,将专利官网的登录方式点击法人登录,选择扫码登录,使用移动端经办人账户的扫一扫功能扫描登录。登录完成后,再点击签名,使用移动端扫一扫功能,扫描签名,输入证书号,确认签名,并提交。最后,祝大家的申请都成功!

weixin_62112323的博客 9117

效率对比:传统HUD开发 vs SEEDHUD智能方案

在游戏开发领域,HUD(Head-Up Display)作为玩家与游戏交互的核心界面,其开发效率直接影响项目进度。这里分享一个自制的效率对比工具开发过程,用数据直观展示两者的差异。平台提供的实时预览和一站式部署特别适合这类数据可视化项目,点击部署按钮就能生成可分享的演示链接,省去了服务器配置的麻烦。工具通过两个并行流程收集数据:传统流程手动记录每个环节的时间戳,SEEDHUD流程则通过解析配置文件自动生成时间日志。这个工具的开发过程本身也验证了效率提升的价值——用传统方式实现类似功能需要两周,而借助。

MoonbeamRaven28的博客 548

s9keaz128 UART Bootloader 单片机篇(上)

网络上充斥着各种各样的串口升级方案,基本都是基于Y-Mode协议下载。采用这种升级方案学习还是可以,用在产品上还是有点欠缺。如下载完成后,需要把时间发送到设备就不好搞了。如下这个设备返回的信息,最后一项就是固件更新时间。固件名称: KEA128编译时间固件版本: 1.0.3硬件版本: 1.0.3产品序列号功能名称: App固件更新时间串口升级演示视频。

一人科技 1798

Java批量解析微信dat文件,微信图片

参考地址:https://blog.csdn.net/a627428179/article/details/95485146 以下是java代码,直接可用,不用手动计算异或值 此处的jdk版本需要1.8以上…,另外两个参数(解析文件路径和输出路径)需要改成自己的哦~ 此处的原理是判断图片文件的十六进制特征码。 第一种:weChatImgRevert.java package com; i...

D的博客 1661

从逻辑门到RISC-V指令:ALU设计实战与Verilog实现

本文详细介绍了从逻辑门到RISC-V指令集的ALU设计实战与Verilog实现方法。通过构建1位ALU并扩展至64位,深入解析了RISC-V指令集的算术逻辑单元实现技巧,包括加法器设计、零标志检测和溢出检测等关键功能。文章还分享了Verilog代码优化、流水线设计和常见问题调试的实用经验,为开发者提供了一套完整的ALU设计解决方案。

weixin_29214335的博客 189

LangChain4j + Milvus 从0-1实现会话管理与RAG检索的AIChat超详细教程

本教程将介绍如何使用LangChain4j和Milvus向量数据库构建一个具备流式输出、会话管理、会话隔离和基于文档RAG检索能力的AI机器人。我们将使用阿里百炼模型作为LLM后端,并通过Docker部署Milvus向量数据库。创建Assistant接口,定义聊天服务:LangChain4j 中文文档 | LangChain4j 中文文档wiringMode :这个属性一般两种,一种是自动装配,我们这里选择手动配置。

2301_80014343的博客 1436

C、C++读取数据文件DAT(二进制文件)

通过网上大佬的笔记总结本篇文章,并编译运行,后续会总结出多种读取二进制文件。(1)头文件(2)FILEFILE 是 头文件中的一个结构体,它专门用来保存文件信息。(3)fopen// filename -- 为文件名(包括文件路径). // mode -- 为打开方式,它们都是字符串。// 返回值 -- fopen() 会获取文件信息,包括文件名、文件状态、当前读写位置等,并将这些信息保存到一个 FILE 类型的结构体变量中,然后将该变量的地址返回。;

weixin_55491446的博客 2万+

AEJoy —— 表达式之仅限在某一维摆动【JS】

效果图 wiggle() 的作用仅限于水平方向 想法 wiggle() 确实是一个非常方便的工具,但有时您希望对它有更多的控制。在本例中,我们希望仅将摆动限制在水平方向。 设计 要理解 wiggle() 最重要的一点是,它生成的结果与应用它的属性具有相同的维度。例如,如果你将 wiggle() 应用于 3D 层的 position 属性,结果将是一个由三个元素组成的数组(x、y 和 z 各一个)。我们需要做的就是将 wiggle() 的结果捕捉到一个变量(我们称之为 “w” ),然后从这个变量中提取我们想

ShaderJoy 的兴趣技术杂货铺 2095

Godot引擎2D游戏开发:创建HUD界面系统

Godot引擎2D游戏开发:创建HUD界面系统 【免费下载链接】godot-docs Godot Engine official documentation 项目地址: https://gitcode.com/GitHub_Tre...

gitblog_00108的博客 838

Unreal5 从入门到精通之 如何实现 离线语音识别

本文介绍了如何使用离线语音识别插件 Offline Speech Recognition 进行本地语音转文本处理。该插件支持离线运行,用户可以通过下载并运行语言服务器(如 Vosk)来处理语音数据。文章详细说明了如何设置语言服务器、下载语言模型,并在虚幻引擎(UE)项目中配置麦克风和语音捕获。此外,还介绍了如何将 SoundWave 作为输入,以及如何通过节点将语音数据发送到语言服务器进行处理。最后,提供了相关文档链接以供进一步参考。

TxNet 909

YOLO11全网首发优化:卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积(PConv)符合微弱小目标的像素高斯空间分布,增强特征提取,显著增加接受野

我们提出了一种新颖的风车形卷积(PConv)作为骨干网络下层标准卷积的替代品。PConv能更好地符合微弱小目标的像素高斯空间分布,增强特征提取,显著增加接受野,且只引入最小的参数增加。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1973

MAGIC文件格式解析

NAME: magic — file命令的魔法模式文件 DESCRIPTION 本手册页面记录了5.25版本的file(1)命令使用的魔法文件格式。file(1)命令通过测试文件是否包含某些“魔法模式”,以及其他测试来识别文件的类型。文件 /usr/share/misc/magic 指定要使用的模式测试,如果找到特定模式要打印什么消息或 MIME 类型,以及要从文件中提取的其他信息。 文件的每一行都指定了一个要执行的测试。测试将从文件中特定偏移量开始的数据与字节值、字符串或数值进...

qq_35677314的博客 3458

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

03_HUD_Qt_for_Python开发之路1

欢迎来到我的博客,希望这篇文章对你有所帮助,如果觉得不错,请点赞搜藏哈。 文章目录HUD-Qt-for-Python开发之路 11 建立HUD工程2 测试运行环境及工程3 拷贝资源文件到工程目录4 建立Qss文件4.1 测试Qss文件 HUD-Qt-for-Python开发之路 1 1 建立HUD工程 这篇开始,我就要正式进入新的HUD的开发之路了,一切从新建工程开始。 如上图所示,选择NEW一个工程,并选择Application (Qt for Python)下的Qt for python-Windo.

DreamLife&Yaothos 1522

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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")

AR_HUD增强现实抬头显示器的学习理解

增强现实是在现实环境的基础上叠加虚拟的信息,这些虚拟信息也就是为了“增强”现实环境而人为加上去。在车上装载AR_HUD,将必要的虚拟图像注册到真实道路环境,使驾驶员在视线前方看到虚实融合的增强场景,可以减少低头看仪表的频率,提高了驾驶安全性,并且可以显得驾驶体验感非常高端。

programming2015的博客 8065

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。

python读取dat文件

读取dat文件本想像这样 df_train=pd.read_table(r'C:\Users\admin\Desktop\game_test\game\apptype_train.dat', names=['s_no','deal_code','text'],sep='\t',encoding='utf-8') 不是报错就是文件读取数据量可能少了 像这样读取不会有问题的 f=open(...

hufei_neo的博客 5万+

iOS开发003 一个漂亮精致的HUD

关键字:HUD. 代码类库:指示器(ActivityIndicator) GitHub链接:https://github.com/devSC/WSProgressHUD 百度云链接: http://pan.baidu.com/s/1dDJgSO5  一个漂亮精致的HUD.使用方法见GitHub, 欢迎Star和Push.. 附件较大,请在此处下载:https://gi

moVing_BriCk的博客 591
上一篇: ABAP ALV DATA_CHANGED实战:如何避免用户修改数据后内表不同步的坑?
下一篇: Requests库SSL报错全攻略:从临时禁用验证到永久解决证书问题
cloud
博客等级 码龄27年 61粉丝 1276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  | 博主筛选后可见
 
 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