2022长安杯复盘

keNn9s keNn9s 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 900+累计阅读 915平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-10-10 12:22:49 发布 915 阅读 AI 写同款· GEO 优化 ›
2022长安杯复盘——lucid凡 2022长安杯案情背景：某地警方接到受害人报案称其在某虚拟币交易网站遭遇诈骗，该网站号称使用”USTD币“购买所谓的"HT币”，受害人充值后不但“HT币”无法提现、交易，而且手机还被恶意软件锁定勒索。警方根据受害人提供的虚拟币交易网站调取了对应的服务器镜像并对案件展开侦查。题号题目答案检材1:根据报案人提供的网站域名和IP，警方调取了对应的服务器镜像“检材1” 阅读详情

背景：某地警方接到受害人报案称其在某虚拟币交易网站遭遇诈骗，该网站号称使用”USTD币“购买所谓的"HT币”，受害人充值后不但 “HT币”无法提现、交易，而且手机还被恶意软件锁定勒索。警方根据受害人提供的虚拟币交易网站调取了对应的服务器镜像并对案件展开侦查。

检材一

1 .检材1的SHA256值为

9E48BB2CAE5C1D93BAF572E3646D2ECD26080B70413DC7DC4131F88289F49E34

2 .分析检材1，搭建该服务器的技术员IP地址是多少？用该地址解压检材2

172.16.80.100 

3 .材1中，操作系统发行版本号为

 仿真时可以查看

7.5.1804

4.检材1系统中，网卡绑定的静态IP地址为

172.16.80.133

5.检材1中，网站jar包所存放的目录是 

 从历史命令里面可以看出这些jar包的目录都是/web/app/

6 .检材1中，监听7000端口的进程对应文件名为

查看端口命令 netstat -aux或者netstat -altp都没有看到7000端口，所以应该猜测是某个文件启动后才监听这个端口，然后我们去找jar包

 找到jar包，然后导出分析

导出后解压，然后一个一个查看

 点开后发现这个文件监听7000端口

所以文件名为 cloud.jar

7 .检材1中，网站管理后台页面对应的网络端口为

在检材一中是没有发现的的

分析检材二时，发现了历史浏览记录里面有这个后台管理的网址

9090 

然后可以看出这个人应该是远程控制检材一的电脑，然后删除了网站里的一些东西

8 .检材1中，网站前台页面里给出的APK的下载地址是

在检材一中是没法看到的，然后通过查看wp发现在图片里面尽然有这个二维码（真的太难想到了）

https://pan.forensix.cn/f/c45ca511c7f2469090ad/?dl=1

9 .检材1中，网站管理后台页面调用的用户表(admin)里的密码字段加密方式为?

导出的jar包是网站的jar包，所以我们再次回到jar包里面找有用的信息

先去admin里面找

发现了这串字符，然后MD5 

10 .分析检材1，网站管理后台登录密码加密算法中所使用的盐值是

见上图

检材二

根据IP地址落地及后续侦查，抓获了搭建网站的技术员，扣押了其个人电脑并制作镜像“检材2”，分析所有掌握的检材回答下列问题

11 .检材2中，windows账户Web King的登录密码是

135790 

12. 检材2中，除检材1以外，还远程连接过哪个IP地址？并用该地址解压检材3

17.16.80.128 

13. 检材2中，powershell中输入的最后一条命令是

做法有两个：

我的做法，我先是查看了

然后去这个存放powershell的文件路径里面找，然后找到了这个

查看一下是ipconfig

第二种，仿真

 打开powershell按↑键查看上一条输入命令

发现就两条命令，然后第一条也是txt文档的第一条指令，所以判断上面那个文件就是存放历史指令的文件

14. 检材2中，下载的涉案网站源代码文件名为

查看浏览器下载记录，发现下载了四个zip

 然后再结合浏览历史记录里面的ZTuo判断应该是第三个包

 ZTuoExchange_framework-master.zip

15.检材2中，网站管理后台root账号的密码为

 root

16.检材2中，技术员使用的WSL子系统发行版本是

从网上找查看指令

 20.04

17.检材2中，运行的数据库服务版本号是

查看他的数据库，发现只有b1的和其他的不同，但b1应该是网站的，所以我们这里填其余的那些版本的

 

8.0.30 

18.上述数据库debian-sys-maint用户的初始密码是

debian-sys-maint这个是Debian或Ubuntu服务器才有的自带用户默认的路径在Linux系统下的\etc\mysql\debian.cnf文件里我们去找这个文件

 

19.检材3服务器root账号的密码是

找ssh连接的指令

检材三

根据网站前端和技术员个人电脑上的线索，发现了网站后端所在的服务器IP并再次调证取得“检材3”，分析所有掌握的检材回答下列问题

20 检材3中，监听33050端口的程序名（program name）为

使用正常的查看端口指令并没有发现，我们xshell连上以后查看历史命令，发现大量docker指令

所以我们启动docker

然后继续查看端口指令

 发现就是docker-proxy

21 除MySQL外，该网站还依赖以下哪种数据库

还是回到检材一的那个admin文件

mongodb

另外在历史命令里面也可以看到

22 检材3中，MySQL数据库root账号的密码是

shhl7001 

23 检材3中，MySQL数据库在容器内部的数据目录为

查看历史命令，发现一直在查看这个文件

我们进去看一下

 

路径为 /var/lib/mysql 

24 涉案网站调用的MySQL数据库名为

检材一当时就说了这个网站的数据库是b1

25 勒索者在数据库中修改了多少个用户的手机号？

根据前面的提示，去这个/data/mysql/db文件夹下查看

我们这里可以使用xftp连接，打开真的很方便

然后我们查看该文件夹

查看log文件，进来搜phone然后查看数了一下就三个

26 勒索者在数据库中删除的用户数量为

搜索delete，一共28次 

27 还原被破坏的数据库，分析除技术员以外，还有哪个IP地址登录过管理后台网站？用该地址解压检材4

查看指令，发现检材4都把数据库给删除了

但是我们知道检材二里面有检材四的数据库备份

直接用火眼自带的数据库分析分析，查看access表发现有两个地址

 172.16.80.100是检材一的，所以这个172.16.80.197就是该题目的，解压检材4，成功

28 还原全部被删改数据，用户id为500的注册会员的HT币钱包地址为

 cee631121c2ec9232f3a2f028ad5c89b

29 还原全部被删改数据，共有多少名用户的会员等级为'LV3'

连接到navicat

将检材二中的b1数据库复制出来导入到检材三的/data/mysql/db文件夹下

然后用navicat连接mysql

常规使用root  shhl7001 SSH使用root  123456 记得先开启docker

导入进去发现b1的member数据库删了一部份数据，前面也提到过少了28个，所以我们这里去前面的8eda.log那个文件里找他的mysql日志，发现了他插入的语句 

复制下来在navicat里面直接补全，然后查询等级3的用户

 

164个 

30 还原全部被删改数据，哪些用户ID没有充值记录

 直接查看这个balance=0的

31 还原全部被删改数据，2022年10月17日总计产生多少笔交易记录？

1000

 32 还原全部被删改数据，该网站中充值的USDT总额为

408228 

检材4

33 嫌疑人使用的安卓模拟器软件名称是

检材4解压出来是一个npbk文件，去网上查了一下是夜神模拟器

注意这个东西是可以直接用bindzip解压的，然后取证直接取vmdk文件

34 检材4中，“老板”的阿里云账号是

 forensixtech1

35 检材4中安装的VPN工具的软件名称是

v2rayNG

36 上述VPN工具中记录的节点IP是

37 检材4中，录屏软件安装时间为

 2022-10-19 10:50:27

38 上述录屏软件中名为“s_20221019105129”的录像，在模拟器存储中对应的原始文件名为

 去查找这个文件的路径，发现了这个文件保存的路径

拿到原始文件名

0c2f5dd4a9bc6f34873fb3c0ee9b762b98e8c46626410be7191b11710117a12d

39 上述录屏软件登录的手机号是

在火眼里面是看不到的

这道题的做法是根据上面找到的数据库文件

 必须要将这个record文件的配置文件一起导出来，不然看不到完整的数据，导入到一个文件夹后，用navicat查看

可以看到完整的手机号18645091802 

40 检材4中，发送勒索邮件的邮箱地址为

skterran@163.com 

加密程序

分析邮件可以知道这个勒索邮件是检材二也就是技术人员发的，去他的D盘里面可以找到这些文件，然后导出来，记得关闭火绒

41 分析加密程序，编译该加密程序使用的语言是

打开一看就知道python图标

42 分析加密程序，它会加密哪些扩展名的文件？

要先对加密程序进行逆向分析，从网上下载了一个脚本PyInstaller Extractor download | SourceForge.net

将脚本和exe放到一个文件夹下面，然后进行逆向

 拿到了一个逆向后的文件

 

 其中那个encrypt_file_1就是逆向后解开的文件

里面有两个.pyc文件，encrypt_file_1和struct（要自己加上.pyc文件尾）其中struct文件能打开，encrypt打不开，去看了一部分wp发现encrypt文件文件头有问题，我们用winhex进行修改

 

 可以发现encrypt文件少了一部分文件头，我们给它加上，然后进行反编译

在网上找了个pyc文件反编译的工具在线的

pyc反编译 - 爱资料工具

然后将反编译出来的脚本复制出来

 

 可以看到这几种加密文件txt.jpg.docx.xls

43 分析加密程序，是通过什么算法对文件进行加密的？

这是加密代码

复制到gpt上面看一下，发现加密过程是这样的

 

这是一个异或加密 

44 分析加密程序，其使用的非对称加密方式公钥后5位为？

这一部分是公钥，然后后五位是u+w== 

45 被加密文档中，FLAG1的值是

要使用解密文件.exe才能拿到flag

我们用解密encrypt的方法解密decrypt

这里就不再赘述

 拿到了密码

4008003721

然后运行程序

 

 

加密勒索apk程序

这里说的apk是第八题说的那个网址下载的，我们把它下载下来分析

 

46 恶意APK程序的包名为

雷电直接跑

 cn.forensix.changancup

47 APK调用的权限包括

 

48 解锁第一关所使用的FLAG2值为

这里要进行反编译分析了

看了一眼这个文件

发现他加壳了，首先进行脱壳

 

 直接搜索flag

MATSFRKG

49 解锁第二关所使用的FLAG3值为

TDQ2UWP9

这道题目看了一些WP，由于我的代码水平真的很菜，实力还是上不去所以就到此为止吧。O(∩_∩)O

50 解锁第三关所需的KEY值由ASCII可显示字符组成，请请分析获取该KEY值

a_asd./1imc2)dd1234]_+=

爆破得出的

收录于
取证

当前文章被收录于：

取证
13 篇文章 3 人学习

记录取证的学习和比赛复盘

订阅专栏 查看详情
标签
#网络安全 #笔记 #经验分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
2022第四届长安杯复盘（WP） 史上最详细解题过程 阅读详情

相关推荐

2022第四届长安杯检材三复盘（WP）

在大哥帮助下完成

qq_56037764的博客 662

2022第四届长安杯wp

某地警方接到受害人报案称其在某虚拟币交易网站遭遇诈骗，该网站号称使用”USTD币“购买所谓的"HT币”，受害人充值后不但“HT币”无法提现、交易，而且手机还被恶意软件锁定勒索。警方根据受害人提供的虚拟币交易网站调取了对应的服务器镜像并对案件展开侦查。

m0_63689511的博客 1万+

2022第四届长安杯检材二复盘（wp）

在上一题的子系统历史命令中也可以查看到有MySQL服务的安装记录以及，MySQL的启动，所以也可以直接在子系统利用命令查看。12、 检材2中，除检材1以外，还远程连接过哪个IP地址？停止或重启服务都靠它，如果你修改了它的密码或覆盖掉密码，就会出现错误，查看。版本的子系统可以直接启动，还可以查看历史命令，正好与取证出来的符合，火眼加载进去在xshell的连接记录中直接可以找到，或者仿真起来。版本需要安装，那很明显【技术员】使用的是已经安装好可以直接使用的。15、 检材2中，网站管理后台root账号的密码为。

qq_56037764的博客 1097

2022年 AHWA比武题 k8s服务器集群分析

总的来说，Kubernetes集群的主要工作是自动化地管理容器化应用程序的部署、调度、扩展、存储和监控，以及提供服务发现、负载均衡和配置管理等功能，从而简化应用程序的管理和维护工作，并提高应用程序的可靠性和可伸缩性。它可以将应用程序的容器分配到集群中的不同节点上，并确保它们按需进行扩展和缩减。服务发现和负载均衡：Kubernetes提供了内建的服务发现机制，允许应用程序的不同部分通过统一的服务名称来相互通信。它可以自动重启失败的容器、替换故障的节点，并执行其他恢复策略，以确保应用程序的高可用性。

yagami的博客 1009

2022第四届长安杯检材4复盘（WP）

主要通过模拟器的备份文件，找到对应的虚拟数据文件进行分析

qq_56037764的博客 739

2022长安杯电子取证复现

在分区1/web/app/目录下面找到jar文件，导出到本地并解压，一一打开查找，最后在cloud.jar文件里面找到监听7000端口的进程对应的文件名。找powershll的最后一条命令，打开检材2虚拟机的windows powershll，用上键就可以看到上一条命令，也就是最后一条命令。网站管理后台页面对应的网络端口，应该在admin目录下，找了半天都没有，看一下别人的。要找网站jar包的地址，可以查看压缩包jar哪里，然后看全路径。检材3的root账号密码，从命令入手，在历史命令里就可以看到。

2301_79880442的博客 626

单机取证-鉴于信息安全管理与评估赛项-计算机单机取证特别说明-例题详解-Autopsy使用

单机取证-鉴于信息安全管理与评估赛项-计算机单机取证特别说明-例题详解-Autopsy使用 本期针对全国职业技能大赛-信息安全管理与评估赛项分析一下单机取证这个大项 并且取一例题 进行例题讲解 分享一些思路和逻辑

路baby的博客 9934

2 利用ITK实现多帧Dicom读取，VTK实现数据显示

vtk中也有dicom读写类，但是只能完成单帧DICOM数据读取，这对于实际应用是非常不利的。而ITK可以实现dicom多帧读取，通常情况ITK与VTK也会结合使用（ITK处理，VTK显示），所以就一起学习下吧！

buerbuhuitou的博客 1564

2019年第一届长安杯解析，深入科普，理清思路，流量部分不太会，其他部分基本有详细解。

下面就涉及到手机部分，弘连其实识别出来，但是是有密码的，说实话，我一开始也找了半天没找到，看到桌面上那个新建文档里面是密码字典，所以就直接去爆破，反正是没有做出来，后面看到标签试一下才知道，一开始我想一个一个试过去，但是我发现火眼是没有路径的，就是说容器里面没法分析其实容器类似于虚拟机，虚拟机是无法直接解密的，所以我只能选择去容器里面一个一个看，就是人工找。这题是能看到2个ip的，细细分析是出的来的，做了一个爆破操作但是由于我xshell没法链接，看到的非常丑陋，所以我就不放了。所以这里看到的就是2个。

ntrybw的博客 2987

Xilinx ZYNQ 7000学习笔记二（FSBL代码分析启动-汇编代码）

Xilinx ZYNQ 7000学习笔记

u011116085的博客 4248

IQA图像质量评价 数据集介绍(LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K)

LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K 数据集介绍

qq_37925923的博客 1万+

2022第四届长安杯复盘

容器加挂密码：2022.4th.changancup!

wuwuliuliu0524的博客 3617

【WRF工具】WRF Domain Wizard第一期：软件下载及安装

【WRF工具介绍】WRF Domain Wizard-确定模拟区域

WW、forever的博客 2918

2021年长安杯数字取证视频复盘感想

2021年长安杯观看视频复盘感想 作为2021年参赛选手 第一次参加获得了60+名次二等奖????的成绩 个人的复盘已经写了 跳转地址 今天来看看官方的复盘，看看今天有什么收获～ Let 's Go！ 仓库地址 检材一 在源码的Androidxxxx.xml中packageName是Apk包名 调证值为就像汽车出厂打入唯一的ID值 GPS定位信息是抓包抓不到的，从后面的重构可以发现 通讯录是要用模拟器自己随便加2个电话才会有 在源代码里面 资源文件\assest\apps路径下为js前端

恒Keep毅 4417

雷达参数的设置

采样率又可以叫做采样速率或者，顾名思义就是每秒采集的次数。该值越高，单位时间内对信号的采集越多，采样率的单位可以用Hz或者sps表示（sps是采样率，是每秒采样点的数量，sp表示采样点数），一般1sps=1Hz。采样时间是采样点数和采样周期的乘积得到的结果。假设实际采样率为4560ksps,采样点数为256，那么采样周期为1/4560(ms),那么ADC的采样时间就为256*（1/4560）(ms)=0.056ms=56微秒。

qq_50974341的博客 1912

【2026最新版】PCL点云处理算法汇总（C++长期更新版）

PCL学习目录。博客长期更新，最近一次更新时间为：2026年10月4日。

点云侠的博客 63万+

2022长安杯赛后复现

powershell取证 查看历史命令记录文件Windows Powershell相关（历史命令、命令）_shu天的博客-优快云博客_powershell历史命令搜索ConsoleHost_history.txt。

m0_63253040的博客 1681

基于Simulink的电机热阻模型建立与仿真

本文详细介绍了基于Simulink的电机热阻模型建立方法。通过将电机传热路径分解为5段关键热阻（绕组内部、槽绝缘、铁芯、机壳、冷却系统），采用Simscape Thermal模块构建热阻网络模型。重点阐述了参数化热阻计算、实验数据校准、不同设计方案对比等关键步骤，并以15kW车用PMSM为例演示建模过程。文章还分享了非线性热阻处理、多维网络构建等高级技巧，指出该模型在热设计迭代、散热匹配、故障诊断等方面的重要工程价值，为电机热安全设计提供了有效的数字化解决方案。

xiaoheshang_123的博客 337

第四届长安杯复盘（服务器、计算机部分）

之前一直没有写博客的习惯，想着还是写一些吧，算是加强一下印象。时隔一年，再次回顾一下去年长安杯的题目，单就服务器和计算机部分来说，较去年同时期是有显著的进步的，但真正把这道题吃透，还远说不上。做题的过程中还是太糙了，低级错误犯了不少，最后参考了一下几位大佬的博客，才算把这篇wp勉强完成。不过时隔一年再去看同一道题，眼界广了，收获也就不一样了。

pixelpoints的博客 732

[工作流节点10] 获取多条数据并循环执行 —— 明道云批处理自动化实战

本文系统介绍了明道云工作流中"获取多条数据+循环执行"的批处理功能。该功能通过筛选数据集合并逐条处理，适用于批量通知、数据更新等场景。文章详细解析了功能配置方法，包括数据筛选、循环设置和异常处理，并提供了合同到期提醒等典型应用案例。同时强调了数据量控制、分批处理、错误处理等优化策略，帮助用户实现高效批量自动化。这一功能组合能将业务从单条处理升级为批量驱动，显著提升工作效率。

每日出拳老爷子的博客 456

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

2022美亚杯第八届中国电子数据取证大赛-个人赛write up详解，软件就用弘连和美亚，尽量写的细致一点。建议入门看，仅为了解题，没有专业精神。专业选手去看后面推荐的两篇解析，都是大佬。

我的说明：就软件来说，美亚真的落后很多，取证大师解析都出不来，还是弘连厉害，我考前因为觉得美亚软件很垃圾，手机大师没有下载，导致很多手机的题目心态慌张，很吃亏，所以建议大家都下载下来，美亚杯长安杯结束官方都会对软件做一定的更新，我此处为了模拟考试的环境，我对软件不做更新。

ntrybw的博客 6591

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

双非英语跨保国际中文教育：北师大与川大考核复盘（2025/2022）

两位双非英语专业作者的独立跨保经历：2025年北师大教学视频评析、笔试与双人英语讨论，2022年川大等校跨专业动机、现代汉语及偏误分析面试，并复盘辅修、科研、材料复用与择校。

yhj2218259767的博客 148

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。

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")

迟到的2022年总结

2022总结

freemote的博客 238

你们都开工了，我才刚开始复盘

点击上方“小麦大叔”，选择“置顶/星标公众号”福利干货，第一时间送达大家好，我是小麦自从阳康之后已经连续忙了快一个月。甚至春节都没有休息，大年初一还工作到凌晨。地球不爆炸，我们不放假最近除了主业比较忙，比较占时间，其他的时候都在折腾餐饮副业，目前来看战绩还算不错，后面有机会再聊聊。2022年，又是非同寻常的一年，趁着有空，做一下复盘。工作今年成功交付了几个项目，顺利验收，实现了新产品从0到1，再到...

一名热爱技术的工程师的博客。分享技术干货，记录美好生活。永远相信美好的事情即将发生。 1793

2022年，数据中台研习社陪大家一起迎接新年

时光，流逝着，岁月，沉淀着。一转身就是一个光阴故事。2022年，给大家邀请了各大领域优质的号主，排名不分先后。有人美心善会算法的小夕，有爱写作爱读书爱摄影的天才美少女战士Rita，有博学多...

huzechen的博客 331

2022年自学Python的万能神器，超有用

时光，流逝着，岁月，沉淀着。一转身就是一个光阴故事。2022年，给大家邀请了各大领域优质的号主，排名不分先后。有人美心善会算法的小夕，有爱写作爱读书爱摄影的天才美少女战士Rita，有博学多...

weixin_43373042的博客 369
上一篇： DASCTF misc EZfat32
下一篇： 2022美亚杯团队赛
点赞 1
评论 0
书签 书签 0
keNn9s
keNn9s
博客等级 码龄5年 58粉丝 19原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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