翻译 | 《JavaScript Everywhere》第2章 项目简介(^_^)

MCP协议与AI辅助的JavaScript逆向分析入门实践 JavaScript逆向分析是理解Web应用安全机制、接口加密逻辑的关键技术,广泛应用于安全研究、爬虫开发和漏洞挖掘领域。其核心原理在于通过动态调试、静态分析等手段,解析前端代码中的加密算法与参数生成逻辑。传统方法对JavaScript语言功底要求较高,学习曲线陡峭。如今,结合MCP(Model Context Protocol)协议与AI大语言模型的技术方案,为逆向分析带来了新的可能性。这类方案通过标准化工具链,将抓包、定位、逻辑解释等步骤封装为可复用的“技能”,并利用AI的代码理解能力自动生成分析报告与 阅读详情

翻译 | 《JavaScript Everywhere》第2章 项目简介(_)

写在最前面

大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。

为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者您有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。

(σ゚∀゚)σ…:*☆哎哟不错哦

第2章 项目简介

想象一下,你站在当地的一家小餐馆的店铺前,决定在那里点一个三明治。服务员把你点的菜都写在一张纸上,然后把纸递给厨师。厨师阅读订单,使用单独的配料来制作三明治,并将三明治交给服务员。服务员会把三明治拿给你吃。如果你想要一些甜点,这个过程会再次重复。

应用程序编程接口(API)是一组规范,它允许一个计算机程序与另一个计算机程序进行交互。

Web API的工作方式与订购三明治的方式几乎相同。客户端请求一些数据,该数据通过超文本传输协议(HTTP)传输到Web服务器应用程序,Web服务器应用程序接受请求并处理数据,然后将数据通过HTTP发送给客户端。在本章中,我们将探讨Web API的广泛内容,并通过将starter API项目克隆到本地计算机上来开始我们的开发。但是,在进行此操作之前,让我们先探讨将要构建的应用程序的需求。

在本书中,我们将构建一个名为Notedly的社交笔记应用程序。用户将能够创建一个帐户,用纯文本或Markdown编写笔记,编辑其笔记,查看其他用户笔记的摘要以及“收藏”其他用户的笔记。

在本书的这一部分中,我们将开发支持该应用程序的API。在我们的API中:用户将能够创建笔记、阅读、更新和删除他们创建的笔记。用户将能够查看其他用户创建的笔记的摘要,并阅读其他人创建的单个笔记,尽管他们将无法更新或删除它们。用户将能够创建帐户,登录和注销。用户将能够检索其个人资料信息以及其他用户的公共个人资料信息。

Markdown

Markdown是一种流行的文本标记语言,在编程社区以及诸如iA Writer,Ulysses,Byword等文本应用程序中很常见。要了解有关Markdown的更多信息,请访问 Markdown Guide网站。

尽管这听起来很多,但在本书的这一部分中,我将其细分为小块。一旦学会了执行这些类型的交互,就可以将它们应用于构建各种API。

我们将如何构建它

为了构建我们的API,我们将使用 GraphQL API查询语言。GraphQL是一个开放源代码的规范,于2012年在Facebook上首次创建。GraphQL的优势在于它允许客户端精确地请求其所需的数据,从而大大简化并限制了请求的数量。当我们向移动客户端发送数据时,这也提高了明显的性能优势,因为我们只需要发送客户端所需的数据。在本书的大部分内容中,我们将探索如何编写、开发和使用GraphQL API。

什么是REST?

如果你熟悉Web API术语,那么你可能听说过REST(代表状态传输)API。REST体系结构一直(并将继续是)API的主要格式。与GraphQL不同,这些API依赖于URL结构和查询参数来向服务器发出请求。尽管REST仍然很重要,但GraphQL的简单性,围绕GraphQL的工具的健壮性以及通过发送有限的数据的潜在性能提升,使GraphQL成为现代平台的首选。

开始

在开始开发之前,我们需要将项目启动程序文件复制到我们的电脑上。该项目的 源代码 包含我们开发应用程序所需的所有脚本和对第三方库的引用。要将代码克隆到本地计算机上,请打开终端,导航到项目保存的目录,也就是 git clone 项目库的目录,并使用npm install来安装依赖项 。创建一个显目的目录名,可以使本书的代码井井有条。

$ cd Projects
$ mkdir notedly && cd notedly
$ git clone git@github.com:javascripteverywhere/api.git
$ cd api
$ npm install

安装第三方依赖项

通过制作本书的入门代码的副本并且在目录中运行npm install,你就不需要再因为任何第三方依赖而再次运行它。

该代码的结构如下:

  • /src

    这是你进行开发的目录。

  • /solutions

    该目录包含每章的解决方案。如果你卡住了,这些可以供你参考。

  • /final

    该目录包含最终的工作项目。

现在,你已经在本地计算机上获得了代码,你将需要复制项目的.env文件。该文件是保存特定于环境的信息或项目私有数据(例如数据库URL,客户端ID和密码)的地方。因此,你永远不需要将其加入源代码管理。你需要自己的.env 文件副本 。为此,请在api 目录中的终端中输入以下内容 :

cp .env.example .env

现在,你应该在目录中看到一个 .env文件。你无需对该文件做任何事情,但是随着API后端的开发,我们将向其中添加信息。 将该文件添加到.gitignore文件以确保你不会无意中提交了.env文件。

求助,我看不到.env文件!

默认情况下,操作系统会隐藏以句点开头的文件,因为这些文件通常由系统使用,而不是给最终用户使用。如果看不到.env文件,请尝试在文本编辑器中打开目录。该文件应该在编辑器的文件浏览器中可见。或者, 在终端窗口中键入ls -a ,会在当前工作目录中列出所有的文件。

结论

API为数据从数据库流向应用程序提供了接口。因此,它们是现代应用程序的中坚力量。通过使用GraphQL,我们可以快速开发基于可扩展API的现代应用程序。在下一章中,我们将通过使用Node.js和Express构建Web服务器来开始API开发。

译者语和书籍详情

如果有理解不到位的地方,欢迎大家纠错。如果觉得还可以,麻烦您点赞收藏或者分享一下,希望可以帮到更多人。

有看的么?有看的么?有看的么?

有的话,可以点个赞么?让我知道有人在看。(ಥ_ಥ)

英文书名:《JavaScript Everywhere: Building Cross-Platform Applications with GraphQL, React, React Native, and Electron》

中文译名:《随处可见的JavaScript:使用GraphQL、React、React Native和Electron构建跨平台应用程序》

作者 :Adam D. Scott

译者:毛毛

出版时间:2020年2月6日。

翻译时间:2020年10月10日

JavaScript字符串trim的12种实现与性能优化实战 字符串trim是前端开发中最基础的文本处理操作,其本质涉及空白字符定义、遍历算法选择、正则引擎差异及Unicode兼容性等核心原理。在跨浏览器兼容场景下,不同实现方式的性能差异可达千倍——尤其在IE6等老旧环境中,正则回溯、Unicode支持缺失、引擎编译开销等问题直接决定用户体验。技术价值在于:通过手写遍历、分段处理、硬编码空白集等策略,可绕过抽象层缺陷,实现确定性亚毫秒级响应。典型应用场景包括遗留系统维护、高频日志清洗、低功耗设备JS运行时优化。本文深入剖析12种经典trim实现,聚焦trim性能优化与 阅读详情

相关推荐

JS逆向实战:拆解某吧平台jt参数二级加密生成机制

在Web安全与数据采集领域,JS逆向是应对客户端加密的核心技术。其原理是通过分析前端JavaScript代码,还原关键参数的生成逻辑,从而绕过反爬机制。这项技术的价值在于能够实现自动化操作与数据采集,广泛应用于舆情监控、市场分析等场景。本文聚焦于某吧平台的用户关注功能,其请求中必须包含一个动态变化的`jt`参数。通过定位加密入口、解析混淆代码,发现该参数采用了典型的二级加密流程,涉及数据序列化、哈希运算及编码转换。文中将详细拆解这一过程,并分享如何将JS加密逻辑复现为Python代码,为处理类似‘JS逆向’

weixin_34396902的博客 443

翻译 | 《JavaScript Everywhere》第1章 开发环境(^_^)

翻译 | 《JavaScript Everywhere》第1章 开发环境(^_^) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构略有调整和内容的增删。如果发现本文中有存在瑕疵的地方,或者您有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。(σ゚∀゚)σ..:*☆哎哟不错哦 为无处不在的JavaScript赞美 JavaScript Everywhere 是一本令人难以置信的书,它将为

前端毛小悠的博客 657

中文PHP/Linux实战教程:故障排查与生产环境调优

PHP和Linux是中小企业Web系统的核心技术栈,其稳定运行依赖对底层原理的深刻理解与精准的故障定位能力。本文围绕真实生产环境中的典型问题——如Nginx反向代理404、crontab环境变量丢失、MySQL导入失败、PHP大文件上传内存溢出等——解析LAMP生态下配置、日志、权限、时区、Cookie域等关键机制的技术本质。强调‘现象→证据→假设→验证’的工程化排查路径,结合Shell脚本、systemd服务管理、错误日志分析、中文语境化类比等实践方法,帮助开发者摆脱英文文档依赖,在母语环境中构建可复现、

clugcpne10995的博客 479

翻译 | 《JavaScript Everywhere》第12章 使用React构建Web客户端(^_^)

翻译 | 《JavaScript Everywhere》第12章 使用React构建Web客户端(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第12章 使用React构建Web客户端 超文本背后的原始想法是获取相关文档并将它们链接在一起:如

前端毛小悠的博客 377

TensorRT-LLM环境配置避坑指南:从安装到实战

本文是一份详尽的TensorRT-LLM环境配置避坑指南。文章重点解析了从Python、CUDA、PyTorch版本选择,到解决mpi4py安装这一核心难题的完整流程,并提供了经过验证的稳定版本组合与实战排错方案,帮助开发者高效部署大语言模型推理优化环境。

a0b1c2d3的专栏 985

ARM学习 | 紧耦合存储器 (TCM)

TCM 是一种专用的片上存储器,直接与处理器核心耦合。确定性访问:由于不涉及缓存替换或一致性管理,访问延迟固定。高带宽:TCM 通常通过专用总线连接处理器核心,可以提供更高的数据吞吐率。用户管理:TCM 的分配和管理完全由开发者控制,不依赖硬件缓存策略。ARM 处理器中的 TCM 通常分为ITCM(指令紧耦合存储器)和DTCM(数据紧耦合存储器),分别用于存储指令和数据。TCM 是 ARM 处理器中不可忽视的重要特性,在实时系统和高性能嵌入式应用中具有重要地位。

qq_43167806的博客 3331

翻译 | 《JavaScript Everywhere》第3章 具有Node和Express的Web应用程序(^_^)

<p>翻译 | 《JavaScript Everywhere》第3章 具有Node和Express的Web应用程序(^_^)</p> <h2 id="写在最前面">写在最前面</h2> <p>大家好呀

前端毛小悠的博客 288

IIS - 会话cookie中缺少HttpOnly属性

不啰嗦,我们直接开始! 先进行常规设置 打开配置编辑器 选中图中节点,将httpOnlyCookies设置为true 然后。。。不起作用。。。 换种方式 通过配置出站规则getcookie添加HttpOnly 在Web.config中添加如下出站规则 <rewrite> <outboundRules> <rule name="Add HttpOnly"> <match serverVa.

。 21万+

翻译 | 《JavaScript Everywhere》第6章 CRUD操作(^\_^)

翻译 | 《JavaScript Everywhere》第6章 CRUD操作(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第6章 CRUD操作 第一次听到“ CRUD应用程序”一词时,我错误地认为它指的是用来执行一些肮脏或棘手的应用程序。诚

前端毛小悠的博客 237

matlab电容式传感器仿真,差动电容式位移传感器的仿真研究

设计了一种差动电容式位移传感器,主要对传感器的数学模型及电容检测电路进行了仿真研究。其中检测电路设计主要包括正弦激励电路、转换桥路、信号放大电路、精密整流电路和滤波电路。最后利用Matlab/SimurFnk软件对所设计的系统进行仿真,并分析了传感器性能。仿真研究表明,传感器及其检测电路具有合理性,测量范围内具有很好的线性度。0|| I≯ lat on ii{差动容尊翩’亘研发注:湖南省教育厅资...

weixin_36323601的博客 1391

安卓光速虚拟机ADB调试实战:从密钥配置到设备连接

本文详细介绍了在安卓光速虚拟机中进行ADB调试的完整实战流程。核心在于通过密钥配置解决设备未授权问题,并启用网络调试与端口映射,最终实现电脑与虚拟机的稳定连接。文章提供了从原理理解、脚本修改到实战命令和疑难排查的全方位指南,帮助开发者和爱好者高效利用光速虚拟机作为移动测试沙盒。

CAT789的专栏 571

翻译 | 《JavaScript Everywhere》第8章 用户操作(^_^)

翻译 | 《JavaScript Everywhere》第8章 用户操作(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第8章 用户操作 想像你刚刚加入了一个俱乐部(还记得“超级酷人秘密俱乐部”吗?),当你第一次出现时,没有任何事可做。俱乐

前端毛小悠的博客 340

《大数据: Hive 交互命令和常用配置》

一、Hive 交互命令 1. 首先解决一个可能发生的问题 (log4 jar包冲突) 我这里解决方法就是删除一个,我删的是hive下的包 yexiang@hadoop1:<hive>$ hive SLF4J: Class path contains multiple SLF4J bindings. SLF4J: Found binding in [jar:file:/opt/soft/apache-hive-2.3.7-bin/lib/log4j-slf4j-impl-2.6.2.ja.

yexiang优快云的专栏 290

翻译 | 《JavaScript Everywhere》第9章 详细信息(^_^)

翻译 | 《JavaScript Everywhere》第9章 详细信息(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第9章 详细信息 当现在普遍存在的空气清新剂Febreze首次发布时,它就像是一个哑巴。 原始的广告只显示人们使用该产品可

前端毛小悠的博客 231

GEE训练教程:如何批量从Google assets中将时序影像批量导出到Google drive

本文介绍了一种使用Google Earth Engine(GEE)批量导出2000-2023年叶绿素a(Chl-a)浓度数据的方法。通过JavaScript代码自动生成多个年份的导出任务,将数据保存至Google Drive指定文件夹。文章详细说明了代码参数配置、使用步骤和注意事项,包括资产命名规则验证、导出任务启动方式,以及分辨率、区域范围等关键参数的调整建议。同时提供了常见问题的解决方案,如处理缺失年份数据、解决导出像素超限等问题。该方法可显著提高多年份Chl-a数据批量导出的效率,适用于水体环境研究的

此星光明博客 91

【爬虫实战】Instagram博主图片爬取:模拟登录+滚动加载,轻松抓取高清美图

在当今社交媒体时代,Instagram作为全球最受欢迎的图片分享平台之一,汇聚了无数优质博主的海量精美图片。对于数据爱好者、营销分析师、AI训练数据收集者来说,如何高效、稳定地爬取Instagram博主的图片,成为了一项极具实用价值的技术挑战。然而,Instagram的反爬机制日益严格,传统的静态页面请求已经无法满足需求。本文将带你从零开始,使用2024-2025年最新技术栈,实现模拟登录、滚动加载、高清图片下载的全流程爬虫。✅ 全流程代码可直接运行✅ 模拟手机端请求绕过反爬。

2201_76125261的博客 598

翻译 | 《JavaScript Everywhere》第10章 部署我们的API(^_^)

翻译 | 《JavaScript Everywhere》第10章 部署我们的API(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第10章 部署我们的API 想象一下,如果用户每次想要通过我们的API来创建、阅读、更新或删除一个笔记,必须只能

前端毛小悠的博客 229

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。

翻译 | 《JavaScript Everywhere》第4章 我们的第一个GraphQL API(^_^)

文章目录写在最前面第4章 我们的第一个GraphQL API将我们的服务器转换为API(排序)注意GraphQL基础查询修改调整我们的API数据存储结论数据存储结论 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ..:*☆哎哟不错哦 第4章 我们的第一个GraphQL

前端毛小悠的博客 553

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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")

翻译 | 《JavaScript Everywhere》第11章 用户界面和React(^_^)

翻译 | 《JavaScript Everywhere》第10章 部署我们的API(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第10章 部署我们的API 想象一下,如果用户每次想要通过我们的API来创建、阅读、更新或删除一个笔记,必须只能

前端毛小悠的博客 269

翻译 | 《JavaScript Everywhere》第13章 设置应用程序样式(^_^)

翻译 | 《JavaScript Everywhere》第13章 设置应用程序样式(_) 写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。 为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第13章 设置应用程序样式 猫王埃尔维斯·科斯特洛(Elvis Costello)在1978年的单曲《嘴唇服务》

前端毛小悠的博客 233

react 引用本地js_翻译 | JavaScript Everywhere第12章 使用React构建Web客户端(^_^)

点击上方蓝字关注我翻译 | 《JavaScript Everywhere》第12章 使用React构建Web客户端(^_^)写在最前面大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学...

weixin_39739170的博客 122

vba quit此文件正由另一个应用程序或用户使用_翻译 | JavaScript Everywhere第18章 带Electron的桌面应用程序(^_^)...

点击上方蓝字关注我翻译 | 《JavaScript Everywhere》第18章 带Electron的桌面应用程序(^_^)写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code\_maomao,欢迎相互沟通...

weixin_39924481的博客 213

sleep期间读取所有_翻译 | JavaScript Everywhere第16章 创建,读取,更新和删除操作(^_^)...

点击上方蓝字关注我翻译 | 《JavaScript Everywhere》第16章 创建,读取,更新和删除操作(^_^)写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习...

weixin_39581739的博客 133

部署和应用程序没有匹配的安全区域_翻译 | JavaScript Everywhere第10章 部署我们的API(^_^)...

点击上方蓝字关注我翻译 | 《JavaScript Everywhere》第10章 部署我们的API(^_^)写在最前面大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。(σ゚∀゚...

weixin_39884074的博客 144

表单提交时submit验证非空return false没用_翻译 | JavaScript Everywhere第15章 Web身份验证和状态(^_^)...

点击上方蓝字关注我翻译 | 《JavaScript Everywhere》第15章 Web身份验证和状态(^_^)写在最前面 大家好呀,我是毛小悠,是一位前端开发工程师。正在翻译一本英文技术书籍。为了提高大家的阅读体验,对语句的结构和内容略有调整。如果发现本文中有存在瑕疵的地方,或者你有任何意见或者建议,可以在评论区留言,或者加我的微信:code_maomao,欢迎相互沟通交流学习。(σ...

weixin_39982017的博客 339

纯Python还原抖音a_bogus签名算法:逆向工程与实现详解

在Web安全与数据交互领域,签名算法是保障请求合法性的核心技术,通过哈希运算、时间戳混合和编码转换等密码学原理,确保数据传输的完整性与不可篡改性。这类技术广泛应用于API接口验证、反爬虫机制和移动端安全通信等场景,对从事数据采集、自动化测试和安全分析的技术人员具有重要价值。本文聚焦抖音平台的a_bogus参数,这是一个典型的动态签名实现案例,涉及JavaScript逆向、算法逻辑翻译等关键技术。通过解析其生成机制,开发者可以深入理解前端加密原理,并构建更稳定的数据交互方案。文中将详细探讨如何通过纯Pytho

diankui6178的博客 500
上一篇: 翻译 | 《JavaScript Everywhere》第1章 开发环境(^_^)
下一篇: 翻译 | 《JavaScript Everywhere》第3章 具有Node和Express的Web应用程序(^_^)
前端毛小悠
博客等级 码龄6年 33粉丝 45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