翻译 | 《`JavaScript` `Everywhere`》第`7`章 用户帐户和身份验证(^`_`^)

Java界面开发——登录并对用户身份进行验证 首先,我们先来介绍一下组件。 1.AWT组件(java.awt包下) AWT组件是属于重量级组件(重量级组件表示组件的实现是依赖于操作系统的绘图机制实现的)。 无法实现Java的跨平台性 2.SWING组件(在javax.swing包下) SWING组件是基于AWT组件采用纯Java语言实现的轻量级组件。    注:顶级容器是重量级组件。 然后是常用的一些组件类,我们以SWI 阅读详情

翻译 | 《JavaScript Everywhere》第7章 用户帐户和身份验证(`_`)

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7章 用户帐户和身份验证

想像一下自己走在黑暗的小巷里,你即将加入一个“超酷秘密俱乐部”(如果你正在阅读此书,则是当之无愧的成员)。当你进入俱乐部的暗门时,接待员会向你打招呼,并递给你一张表格。在表格上,你必须填写你的姓名和密码,只有你和接待员才能知道。填写完表格后,将其交给接待员,接待员将进入俱乐部的后厅。在后台,接待员使用密钥对你的密码进行加密,然后将加密的密码存储在锁定的文件库中。然后,接待员会在通行币上盖章,然后盖下你的唯一会员ID。回到前厅,接待员递给你通行币,你将通行币塞到口袋里。现在,每次你返回俱乐部时,只需要出示通行币即可进入。这种互动听起来像是一部低价间谍电影中的东西,但它几乎与每次我们注册Web应用程序时遵循的过程相同。

在本章中,我们将学习如何构建GraphQL修改,该修改将允许用户创建一个帐户并登录到我们的应用程序中。我们还将学习如何加密用户的密码并向用户返回令牌,当他们与我们的应用程序交互时,他们可以用来验证其身份。

应用程序认证流程

在开始之前,让我们后退一步,确定用户注册帐户并登录到现有帐户时将遵循的流程。如果你还不了解这里介绍的所有概念,请不要担心:我们将逐步解决它们。

首先,让我们回顾一下帐户创建流程:

  1. 用户将电子邮件地址、用户名和密码输入到用户界面(UI),例如GraphQL Playground,Web应用程序或移动应用程序。

  2. 用户界面会使用用户信息将GraphQL请求发送到我们的服务器。

  3. 服务器对密码进行加密,并将用户信息存储在数据库中。

  4. 服务器向用户界面返回一个令牌,其中包含用户的ID。

  5. UI在指定的时间段内存储此令牌,并将其与每个请求一起发送到服务器以验证用户。

现在让我们看一下用户登录流程:

  1. 用户在UI的字段中输入其电子邮件或用户名和密码。

  2. UI会使用此信息将GraphQL请求发送到我们的服务器。

  3. 服务器解密存储在数据库中的密码,并将其与用户输入的密码进行比较。

  4. 如果密码匹配,则服务器将向用户界面返回一个令牌,其中包含用户的ID。

  5. UI在指定的时间段内存储此令牌,并将其与每个请求一起发送到服务器。

如你所见,这些流程与我们的“秘密俱乐部”流程非常相似。在本章中,我们将重点介绍实现这些交互的API部分。

密码重设流程

你会注意到,我们的应用程序不允许用户更改密码。我们可以允许用户使用修改密码,但是首先通过电子邮件来验证重置请求更加安全。为简便起见,我们不会在本书中实现密码重置功能,但是如果你对创建密码重置流程的示例和资源感兴趣,请访问JavaScript Everywhere Spectrum社区。

加密和令牌

在探索用户身份验证流程时,我提到了加密和令牌。这些听起来像是神话中的黑暗艺术,所以让我们花点时间仔细研究一下每一项。

加密密码

为了有效地加密用户密码,我们应该结合使用哈希和盐析。

哈希

是通过将文本字符串转换为看似随机的字符串来使其混淆的行为。哈希函数是“一种方式”,这意味着一旦对文本进行哈希,就无法将其还原为原始字符串。密码哈希后,密码的纯文本永远不会存储在我们的数据库中。

盐析

是生成随机数据字符串的行为,该数据字符串将与哈希密码一起使用。这样可以确保即使两个用户密码相同,哈希和盐析版本也将是唯一的。

bcrypt 基于河豚密码 ,通常在一系列网络框架中使用。在Node.js开发中,我们可以使用 bcrypt模块对密码进行盐析和哈希处理。

在我们的应用程序代码中,我们将需要使用 bcrypt 模块并编写一个函数来处理盐析和哈希。

盐析和散列示例

以下示例仅用于说明目的。 在本章的后面,我们将密码盐析、哈希与bcrypt集成在一起 。

// require the module
const bcrypt = require('bcrypt');

// the cost of processing the salting data, 10 is the default
const saltRounds = 10;

// function for hashing and salting
const passwordEncrypt = async password => {
  return await bcrypt.hash(password, saltRounds)
};

在此示例中,我可以传递密码 PizzaP@rty99,生成的盐析为 ‘2a‘`2a`‘2a‘10‘HF2rs.iYSvX1l5FPrX697O‘和`HF2rs.iYSvX1l5FPrX697O`和‘HF2rs.iYSvX1l5FPrX697O‘和2a‘10‘`10`‘10‘HF2rs.iYSvX1l5FPrX697O9dYF/O2kwHuKdQTdy.7oaMwVga54bWG的哈希密码 。(盐析加上加密的密码字符串)。

现在,当根据哈希和盐析的密码检查用户密码时,我们将使用 bcrypt的 compare 方法:

// password is a value provided by the user
// hash is retrieved from our DB
const checkPassword = async (plainTextPassword, hashedPassword) => {
  // res is either true or false
  return await bcrypt.compare(hashedPassword, plainTextPassword)
};

通过对用户密码进行加密,我们可以将其安全地存储在数据库中。

JSON Web令牌

作为用户,如果每次我们想要访问一个站点或应用程序的受保护页面时都需要输入用户名和密码,那将非常令人讨厌。相反,我们可以将用户带有JSON Web令牌ID安全地存储在用户设备中。

用户从客户端发出的每个请求,他们都可以发送该令牌,服务器将使用该令牌来标识用户。

JSON Web令牌(JWT)包含三个部分:

  • 标头 Header

    有关令牌和正在使用的签名算法类型的一般信息

  • 有效载荷 Payload

    我们有意存储在令牌中的信息(例如用户名或ID)

  • 签名 Signature

    Ameans验证令牌

我们看一下令牌,它似乎由随机字符组成,每个部分之间用句点分隔:

xx-header-xx.yy-payload-yy.zz-signature-zz 。

在我们的应用程序代码中,我们可以使用jsonwebtoken 模块来生成和验证我们的令牌。为此,我们传递希望存储的信息以及通常在我们的.env 文件中存储的私密密码 。

const jwt = require('jsonwebtoken');

// generate a JWT that stores a user id
const generateJWT = await user => {
  return await jwt.sign({ id: user._id }, process.env.JWT_SECRET);
}

// validate the JWT
const validateJWT = await token => {
  return await jwt.verify(token, process.env.JWT_SECRET);
} 

JWT与会议

如果你以前曾在Web应用程序中使用过用户身份验证,则很可能会接触到用户会话。

会话信息通常存储在本地的cookie中,并根据内存中的数据存储区(例如

Redis,虽然也可以使用传统数据库。关于JWT或会话,哪个有更好的争论?但我发现JWT提供了最大的灵活性,尤其是在与非Web环境(例如本机移动应用程序)集成时。尽管会话可以与GraphQL很好地配合使用,但JWT还是是GraphQL Foundation 和 Apollo Server 文档中的推荐方法 。

通过使用JWT,我们可以安全地返回用户ID并将其存储在客户端应用程序中。

将身份验证集成到我们的API中

现在,你已经对用户身份验证的组件有了深刻的了解,我们将为用户实现注册和登录我们的应用程序的能力。为此,我们将更新GraphQL和Mongoose模式,编写 signUp 和 signIn 修改解析器以生成用户令牌,并在对服务器的每个请求中验证令牌。

用户结构

首先,我们将添加User 类型,并更新 Note 类型的 author 字段,引用User来更新GraphQL模式 。为此,请更新 src/schema.js文件:

 type Note {
 id: ID!
 content: String!
 author: User!
 createdAt: DateTime!
 updatedAt: DateTime!
}

type User {
 id: ID!
 username: String!
 email: String!
 avatar: String
 notes: [Note!]!
} 

当用户注册我们的应用程序时,他们将提交用户名、电子邮件地址和密码。当用户登录我们的应用程序时,他们将发送一个包含用户名或电子邮件地址以及密码的修改。如果注册或登录修改成功,则API将以字符串形式返回令牌。为了在我们的模式中完成此操作,我们将需要在src/schema.js 文件中添加两个新的变量,每个变量将返回 String ,这将是我们的JWT:

type Mutation {
  ...
  signUp(username: String!, email: String!, password: String!): String!
  signIn(username: String, email: String, password: String!): String!
} 

现在,我们的GraphQL模式已更新,我们还需要更新数据库模块。为此,我们将在src/models/user.js中创建一个Mongoose模式文件 。该文件的设置将类似于我们的笔记模块文件,其中包含用户名、电子邮件、密码和头像的字段。通过设置index:{unique:true},我们还将要求用户名和电子邮件字段在我们的数据库中必须是唯一的 。

要创建用户数据库模块,请在src/models/user.js 文件中输入以下内容 :

const mongoose = require('mongoose');

const UserSchema = new mongoose.Schema(
  {
    username: {
      type: String,
      required: true,
      index: { unique: true }
    },
    email: {
      type: String,
      required: true,
      index: { unique: true }
    },
    password: {
      type: String,
      required: true
    },
    avatar: {
      type: String
    }
  },
  {
    // Assigns createdAt and updatedAt fields with a Date type
    timestamps: true
  }
);

const User = mongoose.model('User', UserSchema);
module.exports = User;

放置好我们的用户模块文件后,我们现在必须更新 src/models/index.js 来导出模块:

const Note = require('./note');
const User = require('./user');

const models = {
  Note,
  User
};

module.exports = models; 

身份验证解析器

编写了GraphQL和Mongoose模式后,我们可以实现解析器,使用户可以注册并登录到我们的应用程序。

首先,我们需要在 .env环境文件添加一个JWT\_SECRET变量。该值应该是没有空格的字符串。它将用于对我们的JWT进行签名,这使我们可以在对它们进行解码时对其进行验证。

JWT_SECRET=YourPassphrase

创建此变量后,可以将所需的包导入我们的 mutation.js 文件中。我们将使用第三方bcrypt、jsonwebtoken、mongoose和dotenv包,并导入Apollo服务器的AuthenticationError和ForbiddenError实用程序。

此外,我们将导入gravatar 实用程序功能,该功能已包含在该项目中。这将产生一个用户电子邮件地址中的图片图像URL。

在 src/resolvers/mutation.js中,输入以下内容:

const bcrypt = require('bcrypt');
const jwt = require('jsonwebtoken');
const {
  AuthenticationError,
  ForbiddenError
} = require('apollo-server-express');
require('dotenv').config();

const gravatar = require('../util/gravatar'); 

现在我们可以编写我们的signUp 请求。此请求将接受用户名、电子邮件地址和密码作为参数。我们将通过修改所有空格并将其转换为所有小写字母来规范化电子邮件地址和用户名。接下来,我们将使用bcrypt 模块对用户密码进行加密。我们还将通过使用我们的helper程序库为用户头像生成Gravatar图像URL。执行完这些操作后,我们会将用户数据存储在数据库中,并向用户返回令牌。

我们可以在try/catch 块中进行所有的设置 ,如果在注册过程中出现任何问题时,我们的解析器可以将模糊的错误返回给客户端。

要完成所有这些操作,请在src/resolvers/mutation.js 文件中编写 signUp请求,如下所示 :

signUp: async (parent, { username, email, password }, { models }) => {
   // normalize email address
   email = email.trim().toLowerCase();
   // hash the password
   const hashed = await bcrypt.hash(password, 10);
   // create the gravatar url
   const avatar = gravatar(email);
   try {
     const user = await models.User.create({
       username,
       email,
       avatar,
       password: hashed
     });

     // create and return the json web token
     return jwt.sign({ id: user._id }, process.env.JWT_SECRET);
   } catch (err) {
     console.log(err);
     // if there's a problem creating the account, throw an error
     throw new Error('Error creating account');
   }
 }, 

现在,如果我们在浏览器中切换到GraphQL Playground,我们可以尝试一下 signUp 请求。为此,我们将使用用户名,电子邮件和密码值编写一个GraphQL修改:

mutation {
  signUp(
    username: "BeeBoop",
    email: "robot@example.com",
    password: "NotARobot10010!"
  )
}

当我们运行请求时,我们的服务器将返回这样的令牌(图7-1):

"data": {
   "signUp": "eyJhbGciOiJIUzI1NiIsInR5cCI6..."
 }
} 

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HLrver5v-1606266940860)(http://vipkshttp0.wiz.cn/ks/share/resources/c46f74f8-50d4-4015-8658-189fa6382bb9/871b82ed-ac91-46a1-b94d-9de289ff2ab6/index_files/4784556b-d63a-4693-a975-096dde03f6cd.jpg)]

图7-1。GraphQL Playground中的signUp请求

下一步将是写我们的登录请求。

此请求将接受用户的用户名、电子邮件和密码。然后,它将根据用户名或电子邮件地址在数据库中找到用户。找到用户后,它将解密存储在数据库中的密码,并将其与用户输入的密码进行比较。如果用户名和密码匹配,我们的应用程序将向用户返回令牌。如果它们不匹配,我们将抛出一个错误。

在src/resolvers/mutation.js 文件中,按如下所示编写此请求 :

 signIn: async (parent, { username, email, password }, { models }) => {
   if (email) {
      // normalize email address
      email = email.trim().toLowerCase();
    }

   const user = await models.User.findOne({
     $or: [{ email }, { username }]
   });

   // if no user is found, throw an authentication error
   if (!user) {
     throw new AuthenticationError('Error signing in');
   }

   // if the passwords don't match, throw an authentication error
   const valid = await bcrypt.compare(password, user.password);
   if (!valid) {
     throw new AuthenticationError('Error signing in');
   }

   // create and return the json web token
   return jwt.sign({ id: user._id }, process.env.JWT_SECRET);
 }

现在,我们可以在浏览器中访问GraphQL Playground,并 使用通过signUp请求创建的帐户尝试 signIn 请求:

mutation {
  signIn(
    username: "BeeBoop",
    email: "robot@example.com",
    password: "NotARobot10010!"
  )
} 

同样,如果成功,我们的修改应通过JWT解决(图7-2):

{
  "data": {
    "signIn": "<TOKEN VALUE>"
  }
} 

图7-2。GraphQL Playground中的signIn修改

有了这两个解析器,用户将能够使用JWT注册和登录我们的应用程序。为此,请尝试添加更多帐户,甚至故意输入不正确的信息(例如不匹配的密码),以查看GraphQL API返回的内容。

将用户添加到解析器上下文

现在,用户可以使用GraphQL请求来接收唯一令牌,我们将需要在每个请求上验证该令牌。

我们期望将是我们的客户端(无论是web端、移动端还是桌面版)都发送带有与请求中提及的HTTP标头的授权的令牌。

然后,我们可用于从HTTP标头读取令牌,使用JWT\_SECRET 变量对其进行解码 ,并将用户信息以及上下文传递给每个GraphQL解析器。通过这样做,我们可以确定登录用户是否正在发出请求,如果他正在发出请求,那么就是那个用户。

首先,将 jsonwebtoken 模块导入 src/index.js 文件:

const jwt = require('jsonwebtoken'); 

导入模块后,我们可以添加一个函数来验证令牌的有效性:

// get the user info from a JWT
const getUser = token => {
  if (token) {
    try {
      // return the user information from the token
      return jwt.verify(token, process.env.JWT_SECRET);
    } catch (err) {
      // if there's a problem with the token, throw an error
      throw new Error('Session invalid');
    }
  }
};

现在,在每个GraphQL请求中,我们将从请求的头部中获取令牌,尝试验证令牌的有效性,并将用户信息添加到上下文中。完成此操作后,每个GraphQL解析器都可以访问我们存储在令牌中的用户ID。

// Apollo Server setup
const server = new ApolloServer({
  typeDefs,
  resolvers,
  context: ({ req }) => {
    // get the user token from the headers
    const token = req.headers.authorization;
    // try to retrieve a user with the token
    const user = getUser(token);
    // for now, let's log the user to the console:
    console.log(user);
    // add the db models and the user to the context
    return { models, user };
  }
}); 

尽管我们尚未执行用户交互,但是我们可以在GraphQL Playground中测试用户上下文。在GraphQL Playground UI的左下角,有一个标为HTTP Header的空间。在用户界面的那部分,我们可以添加一个包含JWT的标头,该标头是通过signUp 或 signIn 修改返回的, 如下所示(图7-3):

{
  "Authorization": "<YOUR_JWT>"
} 

图7-3。GraphQL Playground中的授权标头

我们可以通过将其与GraphQL Playground中的任何查询或修改一起传递来测试此授权标头。为此,我们将编写一个简单的笔记查询,并包含 Authorization 标头(图7-4)。

query {
  notes {
    id
  }
}

图7-4。GraphQL Playground中的授权标头和查询

如果我们的身份验证成功,则应该看到一个包含用户ID的对象记录到终端应用程序的输出中,如图7-5所示 。

图7-5。终端的console.log输出中的用户对象

完成所有这些步骤后,我们现在可以在我们的API中对用户进行身份验证。

结论

用户帐户的创建和登录流程可能会让人感到困惑和不知所措,但是通过逐个进行,我们可以在我们的API中实现稳定且安全的身份验证流程。在本章中,我们创建了注册和登录用户流程。这些只是帐户管理生态系统的一小部分,但将为我们提供一个稳定的基础。在下一章中,我们将在API中实现特定于用户的交互,该交互将所有权分配给应用程序中的笔记和活动。

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

翻译 | 《JavaScript Everywhere》第19章 将现有的Web应用程序与Electron集成 翻译 | 《JavaScript Everywhere》第19章 将现有的Web应用程序与Electron集成(_) 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19章 将现有的Web应用程序与Electron集成 我喜欢收集浏览器书签,就像一 阅读详情

相关推荐

Qt Installer Framework4.6.1的最基础使用1(win10+离线安装包 )

因工作需要,win程序发布后,打包成一可执行exe文件,且兼容win7系统笔者记录了一些关键要点,供有需要的小伙伴使用。

aggs1990的专栏 905

用户身份验证:基于SpringBoot的用户身份验证工具

1.session失效时间  在Tomcat上,session的默认有效时间是30分钟。也可以通过配置文件修改session的有效时间。  1)修改web.xml 1  2).yml文件 server.session.cookie.http-only= #是否开启HttpOnly server.session.timeout = #会话超时(秒) 2.使用过滤

玩具熊猫的博客 2875

保姆级教程:用CH34xSerCfg工具修改USB转串口芯片的VID/PID,避免驱动冲突

本文详细介绍了如何使用CH34xSerCfg工具修改USB转串口芯片的VID/PID,解决驱动冲突问题。通过实战案例和配置技巧,帮助开发者高效管理嵌入式设备,避免常见的USB设备识别问题,提升开发效率。

weixin_30924239的博客 226

Windows IIS 7 用户验证中默认缺少 Windows 身份验证

Windows IIS 7 用户验证中默认缺少 Windows 身份验证 默认选择IIS,并不添加Windows 身份验证 在打开或关闭Windows 功能 IIS 目录里面添加上 Windows 身份验证 重启IIS posted on 2009-06-07 20:26 冯瑞涛 阅读(...) 评论(....

博客 801

Windows 11 安装 Miniconda + Mamba,配置国内源

本文详细介绍了在 Windows 11 系统下安装 Miniconda 并配置 Mamba 的完整流程,包括选择精简版 Miniconda 的理由、安装过程中的关键选项设置、配置清华大学镜像源以加速包下载,以及在 base 环境中设置 pip 国内源。同时说明了 Mamba 相较 Conda 的性能优势,并指导用户完成 Mamba 安装与 Shell 集成,最终通过命令验证环境管理功能,帮助用户构建高效、轻量的 Python 开发环境。

寒水馨 · 轻量级技术文档 · hanshuixin.org 3348

信号处理算法:自适应滤波_(8).自适应陷波器

自适应陷波器是一种强大的工具,广泛应用于电力系统、通信系统和生物医学信号处理等领域。通过自适应调整滤波器的参数,自适应陷波器可以在特定频率处形成陷波,从而有效地抑制噪声或干扰信号。常见的自适应算法包括LMS和RLS,它们各有优缺点,可以根据实际需求选择合适的算法。

2401_87715305的博客 1371

react 身份证校验校验_使用用户身份验证构建React应用

react 身份证校验校验React is an awesome way to build web UIs. This JavaScript library allows you to turn complex UIs into simple and reusable components that can be composed easily together. This post will s...

culiu9261的博客 970

基于Simulink的雷达跟踪系统仿真(附源码)

此示例包含对雷达系统的基本特征进行建模的子系统。该模型是用于目标位置和速度检测的雷达系统的典型模型。该示例包括雷达脉冲发生器、射频发射器子系统、移动目标的 Simulink 表示、射频接收器和接收模块(Rx 模块)。

珞瑜的博客 3516

WEB前端常用英语

中文 英文 登录 login ; sign in 注册 register ; sign up 验证 validat 退出,注销 logout ; abort 会员身份 membership 确认 confirm 取消 cancel 评论 remark;comment 通告 notify 反馈 feedback 上下文 context 目录...

天宇龙腾的博客 1220

AHB2APB_bridge 设计

此处研究AHB Slave到 APB master的桥接器,实现接口转化,例如下图之后是参数描述

Starry__的博客 2199

Qemu开发ARM篇-5、buildroot制作根文件系统并挂载启动

在上一篇中,我们编译了kernel,并在qemu上进行了运行,但到最后,在挂载根文件系统时候,挂载失败,这是因为我们还没有根文件系统,在本章中,我们将制作根文件系统。rootfs制作方式有很多方式,如busyBoxbuildrootYocto等,在该篇章中,我们使用buildroot来制作根文件系统,主要考虑到busyBox制作完还需要手动首改一些启动配置比较繁琐,而Yocto如果电脑配置不是很好,编译时间过长,比较麻烦。

sinat_33909696的博客 2465

翻译 | 《JavaScript Everywhere》第14章 使用Apollo Client

翻译 | 《JavaScript Everywhere》第14章 使用Apollo Client(_) 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14章 使用Apollo Client 我清楚地记得我的第一个互联网连接。我用计算机的调制解调器

前端毛小悠的博客 636

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

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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

翻译 | 《JavaScript Everywhere》第23章 GraphQL和React Native

翻译 | 《JavaScript Everywhere》第23章 GraphQL和React Native(_) 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23章 GraphQL和React Native 在宾夕法尼亚州匹兹堡的安迪·沃霍尔博

前端毛小悠的博客 327

翻译 | 《JavaScript Everywhere》第16章 创建,读取,更新和删除操作

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。 (σ゚∀゚)σ…:*☆哎哟不错哦 第16章 创建,读取,更新和删除操作 我喜欢纸质笔记本,几乎一直都随身携带着。通常,它们相对便宜,我很

前端毛小悠的博客 322

翻译 | 《JavaScript Everywhere》第15章 Web身份验证和状态

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。 (σ゚∀゚)σ…:*☆哎哟不错哦 第15章 Web身份验证和状态 最近我和我的家人搬家了。填写并签署了几种表格(我的手仍然很累)后,我们就用钥

前端毛小悠的博客 319

翻译 | 《JavaScript Everywhere》第25章 移动应用程序发布

翻译 | 《JavaScript Everywhere》第25章 移动应用程序发布(_) 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25章 移动应用程序发布 在我上世纪90年代中期的高中,为你的TI-81图形计算器下载游戏是一种风潮。 有人会

前端毛小悠的博客 314

翻译 | 《JavaScript Everywhere》第18章 带Electron的桌面应用程序

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,欢迎相互沟通交流学习。 (σ゚∀゚)σ…:*☆哎哟不错哦 第18章 带Electron的桌面应用程序 我第一次接触个人计算机是在一个充满Apple II

前端毛小悠的博客 313

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

翻译 | 《JavaScript Everywhere》第22章 移动应用程序shell

翻译 | 《JavaScript Everywhere》第22章 移动应用程序shell(_) 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22章 移动应用程序shell 我妻子是一位摄影师,这意味着她的大部分生活都是基于在矩形框中构图。在摄影

前端毛小悠的博客 278
上一篇: 翻译 | 《JavaScript Everywhere》第6章 CRUD操作(^\_^)
下一篇: 翻译 | 《JavaScript Everywhere》第8章 用户操作(^_^)
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
 
 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