记住这两兄弟,他们可能是Web史上最大的错误

XPath定位原理与实战:从基础语法到Web自动化高效应用 在Web自动化测试与数据爬取领域,元素定位是核心技术环节。XPath作为一种在XML/HTML文档中导航与查询节点的语言,其核心原理是将文档解析为DOM树,通过路径表达式进行节点筛选与匹配。这项技术的价值在于提供了超越简单路径描述的强大查询能力,能够精准定位复杂嵌套结构中的元素,从而显著提升自动化脚本的稳定性和灵活性。在实际的工程实践中,XPath广泛应用于Selenium、Playwright等主流自动化框架,是处理动态页面、复杂表单及数据提取场景的关键工具。掌握XPath的编写与调试,例如利用xpath 阅读详情

上个世纪90年代,有两个兄弟,他们看到互联网风起云涌,马上就要爆发,决定投身其中,干出一番事业。

他们俩仔细研究了当时互联网的入口,即浏览器,发现了一个重大的问题:

浏览器能做的事情太有限,就是展示文字+图片的网页,最多执行一点儿可怜的JavaScript。

相比于功能强大、界面漂亮,有极强交互的桌面应用程序,这实在是太简陋、太差劲了!

两兄弟想到:能不能把桌面应用程序“搬”到浏览器中呢?

以后大家只要打开浏览器,就可以听音乐、看视频、玩游戏、办公、做图像处理......桌面能做的一切,浏览器都可以干。 

具体该怎么实现呢? 

插件!!

6b90e21f58379998fe16a4f3426104fa.png

给浏览器装插件,然后从网络上下载代码来执行。

1

不过,两兄弟走了不同的道路,老大绑定了微软,改名为ActiveX。

老二去了Sun,和Java眉来眼去,改名为Applet。

fa7d6788e31404c2ec4c81be08b2cf1e.png

他们的目的也确实达到了,不信你看看这些应用,哪里像一个网页,完全就是桌面应用(90年代)嘛

4de66ae4ad76b1e3681b85ea28877df0.png

如果这么发展下去,就没有后来的Vue,ReactJS什么事情了。

前端工程师用的编程语言不会是JavaScript,而是C#/VB.NET/Java。

坏就坏在两兄弟有着致命的缺陷。

两兄弟当中,老大ActiveX的能力最强,能访问计算机的所有资源——这是程序员喜欢的能力,确是用户害怕的能力。

想想看,你打开一个包含ActiveX控件的网站,按照IE的提示把ActiveX从网络上下载到浏览器,结果这个ActiveX控件把你硬盘上的文件删除了,吓人不?

f7a8c9ca67448ed25b69cdbc96a9460a.png

更有些流氓ActiveX控件,赖到你浏览器中,怎么赶都赶不走,如3721。

所以,如果是公司自己开发的ActiveX控件,运行在局域网中,这是个不错的选择。

如果一旦进入广阔的、野蛮的互联网,ActiveX就太吓人了。

老二Applet则聪明得多,他宣称自己运行在Java沙箱中,根本没法访问本地计算机的资源。

但是Applet需要Java运行环境(JRE),JRE又大又复杂,如果浏览器没有JRE,需要网络下载,非常缓慢。

Java的GUI界面也非常丑陋,吓跑了无数人。

再加上ActiveX和Applet不是开放标准,没法获得其他大佬的支持,两兄弟慢慢淡出了大家的视野,在浏览器中运行复杂应用的第一次努力失败了。

Web页面继续平淡无奇,运行在浏览器中的依然是HTML+CSS,和一点儿简单的JavaScript。

2

转折点是Google的GMail, Google Maps,大家发现:卧槽,用JavaScript也能做出交互这么良好的应用啊,还用啥Java,用啥VB, 用啥C++啊! 

469aaf3fbda39aa7d78becc69751c786.png

于是,JavaScript火了。 

浏览器要执行的JavaScript越来越多,负担越来越重,响应越来越慢。

Google又把两兄弟的理想给捡了起来:Web不仅仅是网页,而是应用。

只不过,此应用再也不是封闭的ActiveX, Applet,而是开放的JavaScript、HTML、CSS。

Google还为这种应用专门打造了一个浏览器Chrome,用V8引擎把JavaScript编译成类似Java的字节码,高效率执行。

ef7253bc06b2c89366ede08f6540ff4d.png

JavaScript一路狂飙,jQuery、Angular、React、Vue等框架如雨后春笋冒出。

相应地,Web能做的事情也越来越复杂,很多应用都可以在浏览器中运行了。

3

但是JavaScript毕竟是个动态语言,无论如何优化,面对性能要求很高的应用时,还是力不从心。

例如3D 游戏、CAD、软件模拟/仿真、虚拟和增强现实、计算机视觉、图像/视频编辑以及许多其他需要本机性能的应用,在Web中运行是非常吃力的。

b3cfabd6f5e0576f2cec8b206c68b9e8.png

此外,下载、解析和编译非常大的 JavaScript 应用程序的成本可能令人望而却步。

浏览器需要一种能力:

1.执行一种特殊的代码,要能达到接近本机的速度

2.一定得安全,可以在安全沙盒中运行,还有有浏览器的同源策略和权限策略。

3.和浏览器中的其他Web技术(如JavaScript)协作。

这就是浏览器的汇编语言:Web Assembly(WASM)。

不过,这次不再用两兄弟时代的插件了,而是在浏览器中内置了一个虚拟机(VM),既能执行JavaScript,又能执行WASM。

b1b0bd8e05276bed8af2092b41b893ad.png

JavaScript负责简单的交互,WASM负责高性能的部分。两者密切配合,完美。

并且,各种编程语言都可以写代码,编译成WASM:

eaa0e843087188acba84df2b31e204a8.png

以后你想用某个应用,只需要浏览器中输入网址,立刻开始使用,不用安装。

和别人分享也非常的方便,发个link就行了。  

4

不知道ActiveX和Applet两兄弟看到此处会何感想,他们最早提出了在Web中运行桌面应用,绝对是先驱,就是过于超前,成先烈了。

但是Web技术还是沿着他们俩的愿景走了下去,浏览器的能力越来越强,也许真的有一天,所有的应用都被搬到了浏览器中。

那将是一场伟大的变革!

点击下方图片,查看更多精彩

355413ef1398d016470873310b696957.png

7b1b3a3f9cb133882681b1aff2e80552.png

433fecb04909c0d0b92f2a16695d7421.png

75885224b65182b331208e88ae431046.png

ed4a2b22db327338e11bfabae8c835c4.png

Web渗透测试实战指南:从漏洞原理到工具链与靶场攻防 Web安全的核心在于理解应用层常见漏洞的形成原理与防御机制。以SQL注入和XSS(跨站脚本攻击)为例,其本质是用户输入未被充分验证或净化,导致恶意代码被解释执行。掌握这些漏洞原理,不仅能有效评估Web应用的风险点,更是构建主动防御体系的基础。在工程实践中,渗透测试通过模拟攻击者的思维与方法,系统性地发现并验证这些安全缺陷,从而帮助开发与运维团队在真实威胁发生前进行修复。无论是企业安全防护还是个人技能提升,这套涵盖网络协议、漏洞利用、工具链和实战演练的知识体系,都为应对日益复杂的网络威胁提供了关键的方法论支撑 阅读详情

相关推荐

IIS部署新站点遇500.19与500.21错误:权限、配置与运行模式深度解析

在Web服务器部署与运维中,HTTP 500系列内部服务器错误是常见的技术挑战,其背后往往涉及服务器配置、权限管理与运行时环境的复杂交互。理解其原理,需要从Web服务器(如IIS)的基本请求处理流程切入:请求首先经过服务器接收,然后由对应的处理模块和应用程序池进行解析与执行。当配置数据无效或模块映射冲突时,就会触发具体的500.19或500.21错误。这类问题的技术价值在于,它们直接关系到应用部署的成功率与线上服务的稳定性,是系统管理员、后端开发者和DevOps工程师必须掌握的核心排错能力。其典型应用场景包

weixin_34356555的博客 364

记住这两兄弟,他们可能是 Web 史上最大的错误

这是「进击的Coder」的第 637篇技术分享作者:刘欣来源:码农翻身“ 阅读本文大概需要 5 分钟。 ”上个世纪 90 年代,有两个兄弟,他们看到互联网风起云涌,马上就要爆发,决定投身其中,干出一番事业。他们俩仔细研究了当时互联网的入口,即浏览器,发现了一个重大的问题:浏览器能做的事情太有限,就是展示文字+图片的网页,最多执行一点儿可怜的 JavaScript。相比于...

静觅 208

content-pipeline:一条可落地的内容生产流水线

content-pipeline 是一种将内容创作工程化的系统性方法,其核心在于用确定性流程替代碎片化人工操作。它基于结构化提示(prompt)、预置叙事框架与品牌参数固化三大原理,实现从素材输入到多平台发布的端到端自动化。技术价值体现在显著降低认知负荷、保障输出一致性、支持本地化资源绑定与闭环反馈校验。典型应用场景包括技术教程批量生成、跨平台(公众号/小红书/即刻)内容适配、AI写作质量可控迭代等。本文深入解析其作为‘内容制造业’基础设施的底层设计逻辑与实操路径,尤其聚焦Claude Code环境下的真实

weixin_31199559的博客 271

记住这两兄弟,他们犯了互联网历史上最大的错误!

转折点是Google的GMail, Google Maps,大家发现:卧槽,用JavaScript也能做出交互这么良好的应用啊,还用啥Java,用啥VB, 用啥C++啊!再加上ActiveX和Applet不是开放标准,没法获得其他大佬的支持,两兄弟慢慢淡出了大家的视野,在浏览器中运行复杂应用的第一次努力失败了。两兄弟当中,老大ActiveX的能力最强,能访问计算机的所有资源——这是程序员喜欢的能力,确是用户害怕的能力。此外,下载、解析和编译非常大的 JavaScript 应用程序的成本可能令人望而却步。

码农翻身 482

成本会计(第九版)王忠孝课后习题答案解析

在掌握了基础知识之后,我们还需要培养自己的实际操作能力。此外,在学习过程中,遇到困难时,要及时向老师、同学请教,不要害怕暴露自己的不足。三人行,必有我师,每个人都有值得学习的地方。首先,我们需要认真阅读教材,把基础知识掌握牢固。在这里,我建议大家使用《成本会计(第九版)》的配套练习册,这样可以帮助我们检查学习效果。同时,网上的一些优质课程和论坛也是不错的学习资源,例如网易云课堂、中国大学MOOC等。别担心,这里我给大家推荐一些实用的学习资料和方法,帮助你更好地掌握这门课程。出版社: 大连理工大学出版社。

weixin_58833001的博客 1889

Win7/Win10双系统兼容指南:Arduino IDE 1.8.19与2.3.2的安装避坑全攻略

本文详细解析了在Win7/Win10双系统环境下安装和配置Arduino IDE 1.8.19与2.3.2版本的完整指南,特别针对ESP32开发环境的深度配置和COM端口常见问题提供了实用解决方案。通过版本对比、安装优化和性能调优,帮助开发者高效搭建稳定的物联网开发环境。

weixin_30500105的博客 188

dom 兄弟_DOM技巧和技巧:父母,孩子和兄弟姐妹

dom 兄弟 如今,复杂,大量标记的Web应用程序已成为常态。 像jQuery这样的易用性,跨浏览器兼容性和各种功能的库在即时处理HTML时可以提供极大的帮助。 因此,难怪很多开发人员选择使用这样的库而不是使用本来就存在问题的本机DOM API。 尽管浏览器之间的差异仍然是一个问题,但是与jQuery真正开始兴起的5或6年前相比,今天的DOM的状态要好得多。 在这篇文章中,我将讨论并演示许多可...

118

matlab 质心重合法实现点云配准【2026最新版】

质心重合法是将源点云和目标点云的质心重合,以此缩小两点云集之间的平移误差,从而为下一步粗配准提供更好的初始位置姿态。

点云侠的博客 510

从选域名到SEO,盘点Web开发最常见的5个误区

为你的生意建立一个网上平台是最能保证你成功最重要的因素之一。不幸的是,不是所有的网站和站点设计都能符合顾客的预期。如果你学习建站的过程太快,很可能会忽略掉一些重要的因素。看看下面Web开发新手通常都会犯错误吧,然后你就能行之有效地避开这些不必要的麻烦。 1.    选了一个很难拼也很难记住的域名     你的域名就是你生意的一张名片。这就意味着它应该很容易被人们记住、拼写以及理解。为了加快和简

php教程 525

【DRAM存储器六十五】DDR5介绍--训练相关之MPC、Read Training Pattern、Read Preamble Training Mode

简述DDR5 MPC操作和读训练时颗粒输出pattern的配置

highman110的博客 364

CarSim仿真高级进阶---VS 命令行

仿真软件作为一种强大的工具,被广泛应用于汽车工程领域,本文将介绍如何使用VS命令行进行CarSim仿真的高级进阶操作,我们将结合相关的源代码和描述,帮助读者更好地理解和应用这一功能。打开Visual Studio,在“文件”菜单下选择“新建”->“项目”,然后选择“控制台应用程序”模板,填写项目名称和位置,点击“确定”按钮创建项目。保存源代码后,点击菜单中的“生成”->“生成解决方案”来构建项目,确保构建成功,没有任何错误。点击“编辑”按钮,在弹出的窗口中点击“新建”按钮。,并拥有有效的许可证。

weixin_50547796的博客 310

“不是我聪明,是他们太笨”

李笑来的这篇文章(感谢DonLiang兄弟的介绍)太对了,我见过太多的人,包括大家眼里一些比较强的人,按弱智的标准来要求自己。这就像我经常提起的Jobs唯一让我记住的话: “不是我聪明,是他们太笨”。 我有时候会跟别人说,我自己是我见过的人里比较不聪明的一个;可我偏偏见过很多号称自己属于单纯的技术人员的家伙,不客气地说,掌握的东西却少得可怜。我在建立这个博客的时候就说过,如果你连我...

weixin_30302609的博客 106

MacBook Air老本重装系统

手里的这个本子型号是A1466,cpu i5,4G内存,硬盘ssd 120G。 重装系统可以在原系统上升级到更新版本,或者用U盘安装。 先确定,这个本子可以安装什么系统。 最权威的信息当然是apple的官网,地址:https://support.apple.com/zh-cn/HT211683 在“检查兼容性”中,可以依次检查每个系统兼容的硬件型号。Mojave是A1466能安装的最高版本。 确认兼容性后,下一步就是下载安装文件。还是这个页面稍下面一点可以找到。 这里告诉用户文件可以在什

bigwood99的博客 2万+

Web Agent避坑指南:给LLM上网必须加上三层Guard

兄弟们,今天聊一个扎心的话题:你家AI是个"断网青年"。你问它"LangGraph最新版本是多少",它一脸懵逼:"根据我2023年的知识……"停!都2026年了,你跟我聊2023年?那我跟你说我2023年还有头发呢,你信吗?所以Web Agent诞生了——给LLM装个浏览器,让它真正上网冲浪。听起来很美好对吧?但问题来了:你让一只猫去上网,它可能会把键盘踩烂,可能会点进奇奇怪怪的网站,还可能永远停不下来。别笑,LLM比猫好不到哪去。

人工智能AI技术 183

DRV8711驱动器的各寄存器的介绍

drv8711驱动器

PCLintelligence的博客 1636

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Rust练手项目实战指南:从CLI工具到Web应用

系统编程语言的核心价值在于平衡性能、安全性与开发效率。Rust通过所有权系统、借用检查器和零成本抽象等机制,在编译期保障内存安全和线程安全,为构建高性能、可靠的系统软件提供了坚实基础。这一特性使其在操作系统、游戏引擎、区块链和基础设施等对性能与稳定性要求极高的领域展现出独特优势。对于开发者而言,掌握Rust不仅意味着学习新语法,更是对编程思维模式的重塑。通过循序渐进的练手项目实践,如CLI工具、文件监控系统、异步网络服务等,开发者能够将编译器的严格检查转化为工程实践中的可靠保障,逐步内化Rust的核心设计理

weixin_30252709的博客 388

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

别再迷信多智能体了!AI大模型落地的最大陷阱,一篇讲透!

要说2025年哪个Agent的效果最亮眼,Claude Code应该能排进前三,在Claude Code带火了Sub Agent的情况下,多智能体基本上已经成为了构建强大智能体系统的标配,但依然有公司建议不要构建多智能体,今天这篇文章是Cognition公司(就是推出全自动AI软件工程师Devin,后又收购了Windsurf的那家公司)于今年6月份发布的这篇文章,虽然看标题非常反直觉,但内容还是有真知灼见的,非常值得一读,读完后你就会发现,作者其实说的是构建多智能体时,你应该遵循的基本原则。

weixin_58753619的博客 1034

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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")

educoder头歌实训 web课程————JavaScript对象:Math与日期实战应用

本文深入解析JavaScript中Math与Date对象的实战应用,是educoder头歌实训Web课程的核心内容。Math对象提供四舍五入、随机数生成等数学工具,而Date对象则负责处理时间的创建、计算与格式化。文章通过电商价格计算、订单号生成、优惠券倒计时等真实案例,演示了如何将两者结合,构建动态交互的Web应用,是提升前端开发能力的关键一步。

cheese的博客 695

你能在泰坦尼克号上活下来吗?Kaggle的经典挑战

Kaggle Kaggle是一个数据科学家共享数据、交换思想和比赛的平台。人们通常认为Kaggle不适合初学者,或者它学习路线较为坎坷。 没有错。它们确实给那些像你我一样刚刚起步的人带来了挑战。作为一个(初级)数据科学家,我忍不住要在Kaggle上搜索有趣的数据集来开始我的旅程。我了解了泰坦尼克号数据集。 泰坦尼克号 数据集包含泰坦尼克号上乘客的信息。 我使用Python来可视化和理解更多关于数...

TensorFlowNews 7219

那么成为一名web安全工程师需要哪些技能呢?下面就告诉你_web安全工程师需要学什么

为了帮助大家更好的学习网络安全,小编给大家准备了一份网络安全入门/进阶学习资料,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂,所有资料共282G,朋友们如果有需要全套网络安全入门+进阶学习资源包,可以点击免费领取(如遇扫码问题,可以在评论区留言领取哦)~😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓👉优快云大礼包🎁:全网最全《网络安全入门&进阶学习资源包》免费分享**(安全链接,放心点击)**👈​。

2401_84264630的博客 464

人生需要放下的八样东西------Kevin 感悟

来兄弟连刚好一个月了,PHP基础课程基本结束。技术上把一些曾经忘记的基础又重新捡起很多,补充很多。唯一的感触就是时间转瞬即逝,我现在所需要的就只有时间。 兄弟连的学习气氛浓是这个团队所独有的核心竞争之一,老师们在平时除了技术上的灌输,在职业素质课上也在潜移默化的带给同学们一种思想----就是以后工作中我们依然会不断地学习,并且不是自己独自的学习独自的开发,而是基于Tea

兄弟连_战地日记 842

HTML5本地存储(Web Storage)核心原理、实战应用与蓝桥杯考点解析

在Web开发中,客户端数据存储是提升用户体验、实现离线功能的关键技术。其核心原理在于利用浏览器提供的本地存储能力,将数据持久化或临时保存在用户本地,从而避免页面刷新导致的状态丢失。从技术价值看,这直接优化了应用性能,减少了不必要的服务器请求,并支撑了更丰富的交互场景。常见的应用场景包括用户偏好设置持久化、表单数据自动暂存、多步骤流程状态管理等,这些都是现代Web应用的基础需求。本文聚焦于HTML5 Web Storage,特别是localStorage与sessionStorage这对核心API,深入解析其

weixin_29009081的博客 347

DOM技巧和技巧:父母,孩子和兄弟姐妹

复杂的,标记重web应用程序都是时下常态。 在飞行操纵HTML时像jQuery库,其易用性,跨浏览器的兼容性和各种功能,可以帮助极大。 因此,这也难怪,很多开发商选择使用这样的库,而不是原生的DOM API已经被历史很成问题 。 虽然浏览器的差异仍然是一个问题,DOM是当今好得多比为5或6年前 ,当jQuery的是真的开始起飞。 在这篇文章中,我将讨论并演示了一些可以用来操纵HTML,具体重点...

230

ASP.NET Web API核心原理与企业级实战指南

Web API是一种基于HTTP协议构建数据服务的轻量级框架,其本质是将REST架构风格与RFC 7230标准深度结合,通过状态码、内容协商、资源化URI等原生机制实现跨平台数据交互。相比MVC的视图渲染职责和WCF的复杂配置,Web API专注提供可预测、易测试、高内聚的HTTP服务接口,天然适配移动App、SPA、IoT等现代客户端场景。它强调模型绑定、异常语义化响应、CORS治理及生产级可观测性设计,是.NET团队在Windows生态下落地微服务与API优先战略的务实选择。本文围绕真实系统重构案例,详

世范水晶 443

HTML嵌套原理与语义化结构设计指南

HTML嵌套是构建网页语义结构的基础机制,其本质并非视觉堆叠,而是依据内容逻辑与浏览器解析规则形成的父子节点关系。它遵循块级元素可包含内联及部分块级元素、内联元素仅能包含文本与其他内联元素的核心语法约束。这种结构直接决定DOM树生成、搜索引擎权重分配与屏幕阅读器播报顺序,是SEO优化和无障碍访问(a11y)的技术前提。在现代前端开发中,合法嵌套支撑着Flexbox/Grid布局解耦、Web Components封装及AI生成内容的语义校验。掌握HTML嵌套,就是掌握网页的骨架语言与工程可靠性根基。

weixin_34335458的博客 470
上一篇: 漫画丨“来,韭菜,我教你如何割别人韭菜…”
下一篇: 接口对接实在太难了!
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论 3
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