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

翻译 | 《JavaScript Everywhere》第20章 Electron部署 翻译 | 《JavaScript Everywhere》第20章 Electron部署(_) 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20章 Electron部署 第一次教编程课程时,我想到了一个聪明的想法,就是通过文字冒险游戏介绍课程主题 阅读详情

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以去除特定的难闻气味,例如香烟烟雾,导致销售不佳。面对令人失望的结果,营销团队将重点转移到使用Febreze作为完美的细节。现在,这些广告描绘了有人打扫房间,松软枕头并以Febreze兴奋地完成新鲜房间的过程。产品的这种重新设计导致销量猛增。

这是细节很重要的一个很好的例子。

现在我们有一个可以正常使用的API,但是它缺少使我们能够投入生产的画龙点睛的功能。

在本章中,我们将实现一些Web和GraphQL应用程序安全性以及用户体验的最佳实践。

这些细节远远超出了空气清新剂的喷洒范围,对于我们应用程序的安全性,安全性和可用性至关重要。

Web应用程序和Express.js最佳实践

Express.js是支持我们API的底层Web应用程序框架。我们可以对Express.js代码进行一些小调整,为我们的应用程序提供坚实的基础。

Express Helmet

the ExpressHelmet中间件是小型安全性中间件功能的集合。这些将调整我们应用程序的HTTP头,以提高安全性。尽管其中许多基于浏览器的应用程序,但是启用Helmet是保护我们的应用程序不受常见Web漏洞影响的简单步骤。

要启用Helmet,我们需要在应用程序中使用中间件,并指示Express在尽早我们的中间件堆栈中使用它。在./src/index.js文件中,添加以下内容:

// first require the package at the top of the file
const helmet = require('helmet')

// add the middleware at the top of the stack, after const app = express()
app.use(helmet()); 

通过添加Helmet中间件,我们迅速为我们的应用程序启用了常见的Web安全最佳实践。

跨域资源共享

跨域资源共享(CORS)是我们允许从另一个域请求资源的方法。由于我们的API和UI代码将分别存在,因此我们希望启用其他来源的使用。如果你有兴趣了解CORS的来龙去脉,我强烈建议你Mozilla CORS指南。

要启用CORS,我们将在.src/index.js文件中使用Express.jsCORS中间件软件包:

// first require the package at the top of the file
const cors = require('cors');

// add the middleware after app.use(helmet());
app.use(cors()); 

通过以这种方式添加中间件,我们启用了来自所有域的跨域请求。目前,这对我们来说很好,因为我们处于开发模式,并且很可能会使用托管服务提供商生成的域,但是通过使用中间件,我们也可以将请求限制为特定来源。

Pagination分页

当前,我们的笔记查询和用户查询都返回了数据库中全部列表的笔记和用户。

这对于本地开发而言很好用,但是随着我们应用程序的增长,变得难以为继,因为查询可能返回多个(或数千个)笔记的查询非常昂贵,并且会降低数据库、服务器和网络的速度。相反,我们可以对这些查询进行分页,仅返回一定数量的结果。我们可以实现两种常见的分页类型。

第一种偏移分页,由客户端传递偏移号并返回有限数量的数据来工作。

例如,如果每页数据限制为10条记录,而我们想请求第三页数据,则可以传递20的偏移量。虽然从概念上讲这是最直接的方法,但它可能会遇到扩展和性能问题。

第二种分页是基于游标的分页,其中将基于时间的游标或唯一标识符作为起点传递。然后,我们要求遵循此记录的特定数量的数据。这种方法使我们可以最大程度地控制分页。另外,由于Mongo的对象ID是有序的(它们以4字节的时间值开头),因此我们可以轻松地将其用作光标。要了解有关Mongo对象ID的更多信息,建议阅读相应的MongoDB文档。

如果听不懂这个概念,那没关系。让我们逐步实现将笔记的分页作为一个GraphQL查询。首先,让我们定义将要创建的内容,然后是更新模式,最后是解析器代码。对于我们的需求,我们要查询我们的API,同时可以选择将游标作为参数传递。然后,API应该返回有限数量的数据,表示数据集中最后一个的光标点以及如果要查询的另一页数据的布尔值。

通过此描述,我们可以更新src/schema.js文件来定义此新查询。首先,我们需要在文件中添加一个NoteFeed类型:

type NoteFeed {
  notes: [Note]!
  cursor: String!
  hasNextPage: Boolean!
} 

接下来,我们将添加我们的noteFeed查询:

type Query {
  # add noteFeed to our existing queries
  noteFeed(cursor: String): NoteFeed
} 

更新结构后,我们可以编写我们查询的解析器代码。在./src/resolvers/query.js中,将以下内容添加到导出的对象中:

noteFeed: async (parent, { cursor }, { models }) => {
  // hardcode the limit to 10 items
  const limit = 10;
  // set the default hasNextPage value to false
  let hasNextPage = false;
  // if no cursor is passed the default query will be empty
  // this will pull the newest notes from the db
  let cursorQuery = {};

  // if there is a cursor
  // our query will look for notes with an ObjectId less than that of the cursor
  if (cursor) {
   cursorQuery = { _id: { $lt: cursor } };
  }

  // find the limit + 1 of notes in our db, sorted newest to oldest
  let notes = await models.Note.find(cursorQuery)
   .sort({ _id: -1 })
   .limit(limit + 1);

  // if the number of notes we find exceeds our limit
  // set hasNextPage to true and trim the notes to the limit
  if (notes.length > limit) {
   hasNextPage = true;
   notes = notes.slice(0, -1);
  }

  // the new cursor will be the Mongo object ID of the last item in the feed array
  const newCursor = notes[notes.length - 1]._id;

  return {
   notes,
   cursor: newCursor,
   hasNextPage
  };
} 

使用此解析器后,我们可以查询我们的noteFeed,最多返回10个结果。在GraphQL Playground中,我们可以编写以下查询来接收笔记,它们的对象ID,它们的“创建于”时间戳,光标和下一页布尔值的列表:

query {
  noteFeed {
   notes {
    id
    createdAt
   }
   cursor
   hasNextPage
  }
} 

由于我们的数据库中有10个以上的笔记,因此它返回一个游标以及hasNextPage值true。使用该光标,我们可以查询提要的第二页:

query {
  noteFeed(cursor: "<YOUR OBJECT ID>") {
   notes {
    id
    createdAt
   }
   cursor
   hasNextPage
  }
} 

我们可以继续对hasNextPage值为true的每个游标执行此操作。有了这个实现,我们就创建了一个分页的笔记块。这不仅使我们的UI可以请求特定的数据块,还可以减轻服务器和数据库的负担。

数据限制

除了建立分页之外,我们还要限制可以通过我们的API请求的数据量。这样可以防止查询使我们的服务器或数据库超载。

此过程中的第一步很简单,就是限制查询可以返回的数据量。我们的两个查询,user和notes,从数据库返回所有匹配的数据。我们可以通过设置一个我们的数据库查询的limit()方法。例如,在我们的.src/resolvers/query.js文件中,我们可以按以下方式更新笔记查询:

notes: async (parent, args, { models }) => {
  return await models.Note.find().limit(100);
}

虽然限制数据是一个很好的开端,但目前我们的查询可以无限深度地编写。这意味着可以编写单个查询来检索笔记列表、每个笔记的作者信息、每个作者的收藏夹列表、每个收藏夹的作者信息,等等。一个查询中有很多数据,我们继续编写!为了防止这些类型的过度查询,我们可以根据API限制查询的深度。

此外,我们可能有一些复杂的查询,这些查询没有过多嵌套,但仍然需要大量计算才能返回数据。我们可以通过限制查询的复杂性来防止这类请求。

我们可以通过使用./src/index.js文件中的graphql-depth-limit和graphql-validation-complexity包来实现这些限制:

// import the modules at the top of the file
const depthLimit = require('graphql-depth-limit');
const { createComplexityLimitRule } = require('graphql-validation-complexity');

// update our ApolloServer code to include validationRules
const server = new ApolloServer({
  typeDefs,
  resolvers,
  validationRules: [depthLimit(5), createComplexityLimitRule(1000)],
  context: async ({ req }) => {
    // get the user token from the headers
    const token = req.headers.authorization;
    // try to retrieve a user with the token
    const user = await getUser(token);
    // add the db models and the user to the context
    return { models, user };
  }
}); 

通过添加这些软件包,我们为API添加了额外的查询保护。有关保护GraphQL API免受恶意查询的更多信息,请查看Spectrum首席技术官Max Stoiber的精彩文章。

其他注意事项

构建我们的API后,你应该对GraphQL开发的基础知识有扎实的了解。如果你想深入了解这些主题,那么接下来可以去测试,GraphQL订阅和Apollo Engine就是一些不错的选择。

测验

好吧,我承认:我没有为本书写测试而感到内疚。测试我们的代码很重要,因为它使我们能够轻松进行更改并改善与其他开发人员的协作。GraphQL设置的一大优点是,解析器只是简单的函数,需要一些参数并返回数据。这使我们的GraphQL逻辑易于测试。

订阅内容

订阅是GraphQL强大的功能,它提供了一种直接的方式来将发布-订阅模式集成到我们的应用程序中。这意味着在服务器上发布数据时,UI可以订阅通知或更新。这使GraphQL服务器成为处理实时数据的应用程序的理想解决方案。有关GraphQL订阅的更多信息,请查看Apollo服务器文档。

Apollo GraphQL平台

在开发API的整个过程中,我们一直在使用Apollo GraphQL库。在以后的章节中,我们还将使用Apollo客户端库与API进行接口。我之所以选择这些库是因为它们是行业标准,并且为使用GraphQL提供了出色的开发人员经验。如果你将应用程序投入生产,则维护这些库的公司Apollo还将提供一个平台,该平台提供对GraphQL API的监视和工具。你可以在以下处了解更多信息Apollo(Apollo)的网站。

结论

在本章中,我们为我们的应用程序添加了一些收尾工作。虽然我们可以实现许多其他的选择,但在这一点上,我们已经开发了一个可靠的MVP(最小可行产品)。在这种状态下,我们准备好启动我们的API!

在下一章中,我们将把我们的API部署到一个公共web服务器上。

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。

别再纠结了!实测罗技Flow、对拷线、微软Mouse without Borders,我的最终选择是... 本文通过实测对比罗技Flow、对拷线和微软Mouse without Borders等多设备控制方案,详细分析了各自的优缺点及适用场景。作者最终选择了对拷线与罗技键鼠的组合方案,为专业用户提供了稳定可靠的多设备协同办公解决方案,特别适合需要频繁传输大文件和跨设备操作的用户。 阅读详情

相关推荐

Python爬虫实战:5分钟搞定东方财富网股票数据抓取(附完整代码)

本文详细介绍了如何使用Python爬虫快速抓取东方财富网的股票数据,包括环境配置、API分析、核心代码实现及优化技巧。通过简单的requests和pandas库,5分钟内即可获取高质量股票数据,适合量化交易和数据分析初学者。

weixin_29040367的博客 1187

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

C#:WPF格式转Winform格式

WPF格式转Winform格式

Hello C++ 1295

JavaScript Everywhere API 项目安装与配置指南

JavaScript Everywhere API 项目安装与配置指南 1. 项目基础介绍 JavaScript Everywhere API 是一个开源项目,提供了一系列API代码示例,用于帮助开发者学习如何在全栈JavaScript应用中构建API。该项目主要使用JavaScript语言进行开发。 2. 项目使用的关键技术和框架 Node.js: JavaScript runtime环境,允...

gitblog_00114的博客 814

python 爬取携程全国旅游景点信息-2024.4.13

携程网是中国领先的在线旅行服务公司,提供酒店预订、机票预订、旅游度假、商旅管理等服务。携程网上有大量的旅游景点和酒店信息,这些信息对于旅行者和旅游业者都有很大的价值。通过爬虫技术,我们可以从携程网上获取这些信息,并进行数据清洗、数据分析、数据可视化等操作,从而得到有用的洞察和建议。

britlee的博客 1万+

【STM32项目】老人健康跌倒检测系统实现(附教程PCB资料)

功能概述 跌倒检测 倾倒告警,人体角度倾斜至阈值触发蜂鸣报警 异常运动,加速度超过正常行动阈值时触发报警 心率监测 实时检测心率数据 血氧监测 实时检测采集血氧 血压测量 血压在线测量 红外体温 非接触体温采集方案 接触式体温采集方案 实时定位 中科微GPSGT-U12双频GPS北斗 GLONASS IRNSS定位系统 NEMA数据解析 可扩展高精度定位方案厘米级 屏幕显示 数据采集显示 告警阈值设置 语音提示 1欢迎使用老人智慧监测系统

洋洋的博客 1万+

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

别再折腾环境了!Windows 11 + VSCode + CMake 3.31.4 + MinGW-w64 一键式配置指南(附常见报错解决)

本文提供Windows 11下VSCode、CMake 3.31.4和MinGW-w64的一键式配置指南,帮助开发者快速搭建高效C++开发环境。涵盖工具链选型、环境变量配置、项目初始化及常见报错解决方案,大幅提升开发效率。

weixin_28841265的博客 188

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

波束成形(Beamforming)详解

波束成形(Beamforming)是一种智能天线技术,通过调整天线阵列的相位和幅度,使信号在特定方向上增强,同时抑制干扰,提高通信性能。根据实现方式,可分为固定波束成形和自适应波束成形;按计算方式,则包括模拟、数字和混合波束成形。该技术在 5G/6G、毫米波通信、MIMO、车联网、卫星通信 等领域广泛应用。其关键技术包括 相控阵、预编码、波束扫描和波束跟踪。未来,结合 AI、超大规模 MIMO(XL-MIMO)和太赫兹通信,波束成形将在无线通信、智能交通、环境感知等领域发挥核心作用。

斯黄人民的博客 2395

[VCS]VCS checkpoint简介以及其在SoC验证加速中的作用

VCS checkpoint是Synopsys VCS提供的快照/恢复机制,可显著加速SoC验证。其核心是在仿真关键节点(如完成初始化后)保存系统状态,后续测试可直接从该点恢复,避免重复执行冗长的初始化阶段(如boot、DDR训练等)。该技术特别适用于多测试用例共享同一初始状态的场景,通过分离初始化与功能验证流程,可提升回归效率3-5倍。需注意处理DPI-C状态同步、版本管理及存储优化等问题,结合UVM和自动化脚本可实现更高效的验证流程。典型应用可节省数百万cycle的重复仿真时间。

元直的博客 781

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

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,

前端毛小悠的博客 226

让 ABAP Screen Variant 安稳上车:SHD0 与 SHD0_MANDT 的 Transport 全攻略

摘要: SAP项目常需优化交易码界面,通过SHD0的Transaction Variant和Screen Variant可实现字段精简、默认值预设及权限控制,避免修改标准代码。但跨系统迁移时易出现变式丢失或版本兼容问题。核心概念包括: Screen Variant:针对单个屏幕的字段属性配置(跨Client); Transaction Variant:串联多屏幕变式(分跨Client和Client-specific); 版本差异:4.70/6.x后需区分SHD0(跨Client)与SHD0_MANDT(Cl

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 230

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

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

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

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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 277

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

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

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

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

翻译 | 《JavaScript Everywhere》第24章 移动应用程序认证

翻译 | 《JavaScript Everywhere》第24章 移动应用程序认证(_) 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24章 移动应用程序认证 如果你曾经与亲戚同住过,或者在度假的旅馆里或租了带家具的公寓,那么你就会体验到被不属

前端毛小悠的博客 269

翻译 | 《JavaScript Everywhere》第21章 使用React Native创建移动应用程序

翻译 | 《JavaScript Everywhere》第21章 使用React Native创建移动应用程序(_) 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21章 使用React Native创建移动应用程序 在1980年代后期的某一天,

前端毛小悠的博客 270

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
上一篇: 翻译 | 《JavaScript Everywhere》第8章 用户操作(^_^)
下一篇: 翻译 | 《JavaScript Everywhere》第10章 部署我们的API(^_^)
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