curl讲解第一篇---入门和基本使用

crazyhacking crazyhacking 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 3.4k累计阅读 3.5k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15年
关注
转载 最新推荐文章于 2026-05-13 05:31:06 发布 3.4k 阅读 AI 写同款· GEO 优化 ›
矢量场散度(divergence)和旋度(curl)及Helmholtz定理MATLAB计算 旋度的定义       已给向量F⃗=P i⃗+Q j⃗+R k⃗\vec F = P\,\vec i + Q\,\vec j + R\,\vec k F=Pi+Qj​+Rk       则该向量的旋度表示为rot  F⃗=(Ry−Qz)i⃗+(Pz... 阅读详情

概念

它支持很多协议：FTP, FTPS, HTTP, HTTPS, GOPHER, TELNET, DICT, FILE 以及 LDAP。
curl同样支持HTTPS认证，HTTP POST方法， HTTP PUT方法， FTP上传， kerberos认证，HTTP上传， 代理服务器， cookies， 用户名/密码认证， 下载文件 断点续传，上载文件断点续传,，http代理服务器管道（ proxy tunneling）， 甚至它还支持IPv6， socks5代理服务器,，通过http代理服务器上传文件到 FTP服务器等等，功能十分强大。
Windows 操作系统下的 网络蚂蚁， 网际快车(FlashGet)的功能它都可以做到。准确的说，curl支持文件的上传和下载，所以是一个综合传输工具，但是按照传统，用户习惯称curl为 下载工具。
curl是 瑞典curl组织开发的，您可以访问: http://curl.haxx. se/
获取它的 源代码和相关说明。
鉴于curl在Linux上的广泛使用，IBM在AIX Linux Toolbox的 光盘中包含了这个 软件，并且您可以访问IBM网站:
http://www- 1.ibm. com/servers/aix/products/aixos/linux/altlic.html 下载它。
[1] curl的最新版本是 7.29.0，IBM网站上提供的版本为7.9.3。
在AIX下的安装很简单，IBM网站上下载的rpm格式的包。
在 http://curl.haxx. se/docs/ ，您可以下载到UNIX格式的man帮助，里面有详细的curl工具的使用说明。
curl的用法为：curl [options] [URL...]
其中options是下载需要的参数，大约有80多个，curl的各个功能完全是依靠这些参数完成的。
具体参数的使用，用户可以参考curl的man帮助。
下面，本文就将结合具体的例子来说明怎样利用curl进行下载。

编辑本段设计方法

获得页面

使用命令：curl http://curl.haxx. se
这是最简单的使用方法。用这个命令获得了http://curl.haxx. se指向的页面，同样，如果这里的URL指向的是一个文件或者一幅图都可以直接下载到本地。如果下载的是HTML文档，那么缺省的将不显示文件头部，即HTML文档的header。要全部显示，请加参数 -i，要只显示头部，用参数 -I。任何时候，可以使用 -v 命令看curl是怎样工作的，它向服务器发送的所有命令都会显示出来。为了 断点续传，可以使用-r参数来指定传输范围。

获取表单

在WEB页面设计中，form是很重要的元素。Form通常用来收集并向网站提交信息。提交信息的方法有两种，GET方法和POST方法。先讨论GET方法，例如在页面中有这样一段：
<form method="GET" action="junk.cgi">
<input type=text name="birthyear">
<input type=submit name=press value="OK">
</form>
那么 浏览器上会出现一个 文本框和一个标为“OK”的按钮。按下这个按钮， 表单就用GET方法向服务器提交 文本框的数据。
例如原始页面是在 www.hotmail. com/when/birth.html看到的，然后您在 文本框中输入1905，然后按OK按钮，那么 浏览器的URL现在应该是：“www.hotmail. com/when/junk.cgi?birthyear=1905&press=OK”
对于这种网页，curl可以直接处理，例如想获取上面的网页，只要输入：
curl "www.hotmail. com/when/junk.cgi?birthyear=1905&press=OK"
就可以了。
表单用来提交信息的第二种方法叫做POST方法，POST方法和GET方法的区别在于GET方法使用的时候， 浏览器中会产生目标URL，而POST不会。类似GET，这里有一个网页：
<form method="POST" action="junk.cgi">
<input type=text name="birthyear">
<input type=submit name=press value="OK">
</form>
浏览器上也会出现一个 文本框和一个标为“OK”的按钮。按下这个按钮， 表单用POST方法向服务器提交数据。
这时的URL是看不到的，因此需要使用特殊的方法来抓取这个页面：
curl -d "birthyear=1905&press=OK" www.hotmail. com/when/junk.cgi
这个命令就可以做到。
1995年年末，RFC 1867定义了一种新的POST方法，用来上传文件。主要用于把本地文件上传到服务器。此时页面是这样写的：
<form method="POST" enctype='multipart/form-data' action="upload.cgi">
<input type=file name=upload>
<input type=submit name=press value="OK">
</form>
对于这种页面，curl的用法不同：
curl -F upload=@localfilename -F press=OK URL
这个命令的实质是将本地的文件用POST上传到服务器。
有关POST还有不少用法，用户可以自己摸索。

使用PUT

HTTP协议文件上传的标准方法是使用PUT，此时curl命令使用-T参数：
curl -T uploadfile www.uploadhttp. com/receive.cgi

有关认证

curl可以处理各种情况的认证页面，例如下载用户名/密码认证方式的页面（在IE中通常是出现一个输入用户名和密码的输入框）：
curl -u name:password www.secrets. com
如果网络是通过http 代理服务器出去的，而代理服务器需要用户名和密码，那么输入：
curl -U proxyuser:proxypassword http://curl.haxx. se
任何需要输入用户名和密码的时候，只在参数中指定用户名而空着密码，curl可以交互式的让用户输入密码。

引用

有些 网络资源访问的时候必须经过另外一个网络地址跳转过去，这用术语来说是：referer，引用。
对于这种地址的资源，curl也可以下载：
curl -e http://curl.haxx. se daniel.haxx. se

指定用户端

有些 网络资源首先需要判断用户使用的是什么 浏览器，符合标准了才能够下载或者浏览。
此时curl可以把自己“伪装”成任何其他 浏览器：
curl -A "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)" URL
这个指令表示curl伪装成了IE5.0，用户平台是Windows 2000。（对方服务器是根据这个字串来判断 客户端的类型的，所以即使使用AIX也无所谓）。
使用：
curl -A "Mozilla/4.73 [en] (X11; U; Linux 2.2.15 i686)" URL
此时curl变成了Netscape，运行在PIII平台的Linux上了。

COOKIES

Cookie是服务器经常使用的一种记忆客户信息的方法。如果cookie被记录在了文件中，那么使用命令：
curl -b stored_cookies_in_file www.cookiesite. com
curl可以根据旧的cookie写出新cookie并发送到网站：
curl -b cookies.txt -c newcookies.txt www.cookiesite. com

加密HTTP

如果是通过OpenSSL加密的https协议传输的网页，curl可以直接访问：
curl https://that.secure.server. com

http认证

如果是采用证书认证的http地址，证书在本地，那么curl这样使用：
curl -E mycert.pem https://that.secure.server. com

注意事项

curl非常博大，用户要想使用好这个工具，除了详细学习参数之外，还需要深刻理解http的各种协议与URL的各个语法。
这里推荐几个读物：
RFC 2616 HTTP协议语法的定义。
RFC 2396 URL语法的定义。
RFC 2109 Cookie是怎样工作的。
RFC 1867 HTTP如何POST，以及POST的格式。

编辑本段

学习资料：
2  

收录于
shell/awk/curl

当前文章被收录于：

shell/awk/curl
25 篇文章 0 人学习
订阅专栏 查看详情
编程语言和思想

当前文章被收录于：

编程语言和思想
3 篇文章 0 人学习
订阅专栏 查看详情
MATLAB - 旋度可视化 1、 阅读详情

相关推荐

shell脚本入门

 最近看了一个shell编程入门的视频课，随手记下一些基础的语法，根据笔记整理出这篇文章，仅供小白入门。    首先感谢这位东北小哥的视频课程，讲的贼6，传送门http://edu.51cto.com/course/6068.html?source=so，想学shell或想学东北话的同学不能错过。1. shell脚本的第一行    第一行一定是以 #! 开头，用来指定shell脚本解释器的路径，说...

扎瓦菜鸟 472

curl详解

curl是利用URL语法在命令行方式下工作的文件传输工具。 概念 它支持很多协议：FTP, FTPS, HTTP, HTTPS, GOPHER, TELNET, DICT, FILE 以及 LDAP。 curl同样支持HTTPS认证，HTTP POST方法， HTTP PUT方法， FTP上传， kerberos认证，HTTP上传，代理服务器， cookies， 用户名/密码认证， 下载

wvtear的专栏 859

001-Linux命令行入门

Bash是类Unix系统上使用的最成功的外壳之一Bourne Shell(Sh)的改进版本。Linux中的命令千千万，想要记住所有的Linux命令和命令的选项基本不可能，因此想办法获得系统中内置的Linux命令帮助就显得尤为重要。whatis命令在用 catman -w 命令创建的数据库中查找 command 参数指定的命令、系统调用、库函数或特殊文件名。这称为shell提示符。显示命令的用法和参数列表，绝大多数命令都有，但并非所有的命令。linux 的 bash 会记录系统执行过的所有命令，可以用。

u013562625的博客 642

curl在window及linux中的使用及区别

请求类型key word举例windowslinuxurl使用了双引号包裹使用了单引号包裹换行符反斜杠（\）上标（^）请求体除包裹字符串使用双引号外,json中key和value的双引号还需要使用反斜杠进行转义包裹字符串使用单引号, json内部双引号不用处理GET请求体url?paran=value（url上的参数）没有区别没有区别POST请求体x-www-form-urlencoded（编码的参数）没有区别没有区别。

u014642921的博客 3085

使用任何模板的 2D 涡度：使用模板中的任意数量的点计算 curl()-matlab开发

Matlab 中的 curl(X,Y,U,V) 将为您提供带有 3 点模板的 2D 矢量场 (U,V) 的角速度或涡度。 此实现将计算带有“npts”点模板（仅支持中心差异）的 **UNIFORM*** 网格的卷曲。 由于它使用卷积来实现这一点，网格的角和边缘将是不正确的。 用于 PIV 后处理，在计算导数时噪声可能是一个问题。 感谢 Greg von Winckel 提供模板生成器代码（ https://www.mathworks.com/matlabcentral/fileexchange/5269-finite-difference-weights ）！

CurlFtps:基于 curl 的 ios ftp 和 ftps 上传服务

卷曲FTP 基于 curl 的 ftps 上传服务。 它支持ftp，ftps。 可以开始上传、暂停上传、uloading进度方式。

玩转curl指令—测试简单的HTTP接口

官网：https://curl.se/ GitHub：https://github.com/curl/curl Doc.:https://everything.curl.dev/ 昨天在测试一个HTTP接口的时候，发现是添加功能，按照Restful风格应该是POST请求，但是经常使用的curl指令，如curl http://xxxx:xxx则默认是GET请求，因此又在搜索引擎上查询curl相关请求方法的指令，发现还挺丰富的，因此今天将这部分总结成一个文章，以便后续的使用。 1 初步介绍 curl主要使用.

做兴趣使然的Hero 4053

Codesys 3.5报警功能配置保姆级教程：从变量定义到确认方式（含REF/ACK详解）

本文详细介绍了Codesys 3.5报警功能的配置流程，从变量定义到确认方式的选择，特别解析了REF和ACK两种确认方式的底层逻辑。通过实战案例和代码示例，帮助工程师快速掌握报警系统的搭建与调试技巧，提升工业自动化项目的可靠性。

weixin_29245767的博客 458

华为云CodeHub保姆级教程：从零开始，5分钟搞定本地代码上传（含常见报错解决）

本文提供华为云CodeHub的保姆级教程，从零开始5分钟完成本地代码上传，涵盖环境准备、仓库创建、远程连接及常见报错解决。特别适合新手开发者快速掌握Git命令与云端协作流程，确保代码安全高效上传。

weixin_30443075的博客 480

iOS反编译-hook微信之艾特所有人

all。

2501_90243249的博客 759

执行curl_云计算入门要学什么内容 cURL命令该怎么使用

　　云计算入门要学什么内容？cURL命令该怎么使用？cURL是一个利用URL语法在命令行下工作的文件传输工具，在Linux操作系统中经常来测试网络和URL的联通性，模拟正常的网络访问。很多人不太了解如何正确使用cURL命令，接下来千锋小编就给大家讲解一下。 　　什么是cURL? 　　cURL是与网站或API进行交互，向终端发送请求并显示响应或将数据记录到文件的理想工具。有时，它用作较大脚本的一部...

weixin_35032861的博客 211

华为昇腾Atlas 200I DK A2实战：从开箱到运行首个AI应用

本文详细介绍了华为昇腾Atlas 200I DK A2开发板从开箱到运行首个AI应用的全过程。包括硬件准备、系统烧录、开发板连接方案、AI应用运行及性能优化技巧，帮助开发者快速上手部署AI项目，提升开发效率。

weixin_27038245的博客 590

15 天学会php,15.1 curl的使用步骤

本书特别新手的一点，是将重要操作的核心思路都为大家提供了。在数据库、图片、文件上传我们都把真正的步骤。以及步骤如何组何成为我们的代码和实现过程都做过讲解。我们将curl的步骤分为以下7步：1. 初使化curl资源2. 参数设置请求的协议地址3. 参数设置是否返回请求结果4. 设置发送数据(无发送数据可不设置)5. 其他的参数信息设置(按实际工作需要决定)6. 执行或执行得到返回结果7. 关闭cur...

weixin_35769289的博客 140

Windows 11下ROS2 Humble与PyCharm无缝集成实战（避坑指南+完整配置流程）

本文详细介绍了在Windows 11系统下如何实现ROS2 Humble与PyCharm的无缝集成，包括环境准备、ROS2 Humble安装、PyCharm配置以及C++与Qt5混合开发的实战技巧。通过避坑指南和完整配置流程，帮助开发者高效搭建稳定的机器人开发环境，特别适合Windows平台的ROS2开发者。

weixin_28710999的博客 366

Win11只读模式无法关闭的终极解决方案

通过以上方法，我们应该能够解决Windows 11中文件夹无法取消只读状态的问题。如果问题仍然存在，请确保你的账户具有足够的权限来修改文件夹属性，并考虑是否有其他安全软件或策略阻止了权限更改。在操作过程中，请务必小心谨慎，避免误操作导致数据丢失或系统损坏。希望本文能够帮助到大家！

mmoo_python的博客 1万+

apisix-入门使用篇

我刚接触apisix，很多功能和组件都不太会用，所以来个最基础的负载均衡功能试试水）（1）dashboard-路由路由（Route）是请求的入口点，它定义了客户端请求与服务之间的匹配规则。路由可以与服务（Service）、上游（Upstream）关联，一个服务可对应一组路由，一个路由可以对应一个上游对象（一组后端服务节点），因此，每个匹配到路由的请求将被网关代理到路由绑定的上游服务中。个人理解根据不同的规则以及转发规则，将api请求转发到对应的后端服务器上。（2）dashboard-上游。...

web15286201346的博客 1646

第6篇:ESP32连接无源喇叭播放音乐《涛声依旧》

相邻两个音之间的倍数是2^(1/12)，约等于1.0594630943592952645618252949463）。这样一来，高八度的do频率是低八度do的两倍。我们把频率440赫兹作为中央C ，C调的歌就是把频率440赫兹当作do，乐谱中写作：1=C。一个八度分成12份，八个八度的十二平均音率对应的频率如下（从33Hz到7902Hz）。相邻的两个音之间的差一个半音，12345671之间的间隔分别是“全全半全全全半”。D调的歌就是把从440后面第二个音494赫兹当作do，乐谱中写作1=D。

Txwtech 1423

全网最详细中英文ChatGPT-GPT-4示例文档-ML/AI语言模型导师从0到1快速入门——官网推荐的48种最佳应用场景（附python/node.js/curl命令源代码，小白也能学）

机器学习（ML）或者人工智能（AI）作为综合性学科，要想学好，对于大多数人来说，不是那么容易，如果这时候你有一个全能的导师，能随时随地辅导你学习它们，那你学习起来肯定事半功倍。而ChatGPT训练了各种精通ML/AI的专家知识数据，可以帮助您快速掌握ML/AI的基础知识并丰富自己的经验，使您在学习ML/AI时更有效率。

小胡说人工智能的博客 439

电机控制的智慧之眼：全面解析FOC状态观测器

摘要：本文深入探讨磁场定向控制(FOC)中的状态观测器技术，重点分析其在无传感器电机控制中的关键作用。文章详细介绍了滑模观测器(SMO)、扩展卡尔曼滤波(EKF)、龙贝格观测器和高频注入法等主流观测器的工作原理、技术特点及适用场景，其中SMO因结构简单、鲁棒性强成为当前主流方案。同时阐述了观测器与锁相环(PLL)结合的工程实践方案，并针对不同应用场景提供了观测器选型建议。文章还探讨了启动问题处理、参数敏感性等工程挑战的解决方案，以及混合观测器、AI应用等未来发展趋势。这些观测器技术使电机系统在无机械传感器情

汽车软件开发 274

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

如何查看网站所用服务器的信息

web服务的内容抓取网站的信息## 标题 curl -I http://127.0.0.1``

eyexin2018的博客 424

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。

Linux网络管理入门：小白也能轻松上手的实用指南

添加或删除网络链接点击保存后就完成了手动配置ip了。

qq_59278745的博客 813

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")

web开发资源汇总-20210331

MDN https://developer.mozilla.org/zh-CN/docs/Web/HTTP httpbin http://www.httpbin.org/ curl https://curl.se/ caniuse https://caniuse.com/

深度安全实验室 401
上一篇： AWK----awk与shell交互
下一篇： shell字符串操作之cut---实现字符串截取
点赞 0
评论 0
书签 书签 0
crazyhacking
crazyhacking
博客等级 码龄15年 299粉丝 148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