销售小哥逆袭成为腾讯网络安全工程师,月薪30K,感慨人生!

408计算机复试专业课问答汇总 阅读详情

我是在去年3月份加入腾讯公司,是腾讯公司某技术部门里面的一个小负责人,月薪大税后概30K,谈不上多么厉害,但在回想自己半路出家学习网络安全,从一个销售到进入中国互联网顶尖公司,真是感慨人生。

01 初入网络安全

我是10年大学毕业,我毕业于一家非常一般本科院校,大学生活浑浑噩噩,却有无比的幸福,对我来说,那四年是属于魔兽世界的。

有人问过我,浪费那4年时间后不后悔,我都会无比坚定的说,不后悔,那四年我真的幸福。但是在夜深人静,扪心自问,到底后不后悔?只能说有点惋惜,如果当时能够抽出一些时间来,做点更有意义的事情,可能生活会更加不一样。

我现在对游戏的态度就是:我会劝很多学弟学妹,最好别玩游戏,玩游戏真的没有意义,除非你将来打算走上电竞,当一个电竞选手,不然很浪费时间,你用游戏的十分之一去看书,收获到的都会比游戏里面得到的要多。


大学毕业后,我第一份工作是销售。

我的本专业不提也罢,因为我现在自己都不知道那是个什么东西,不过我还是拿到毕业证书。由于先天的不自信,我选择了销售这个岗位。

这是非常多大学毕业生,刚毕业的时候都会选择的岗位,在这里倚老卖老,劝一句:如果你真的喜欢销售这个岗位,那么选择销售肯定没问题,如果你只是因为不自信,那么就大错特错,去尝试投点简历,做好面试准备,可能会有意想不到的收获。

我选择销售,是一条弯路,那段岁月特别难受,很大程度是因为我性格的关系,再加上不喜欢销售团队经常的打鸡血和洗脑,最后离开这个销售这个行业。

但,这是非常难的一条路。

不干销售,那么我能干嘛?那几个月我一直在考虑这个问题,那段时间我非常迷茫,我换了好多家公司的销售岗位,做一段时间,再离职,再去做销售,再辞职,犹如一个死循环。

然后有一个小插曲,就是我的qq号被盗了。对方还明目张胆的勒索我。当时给我气的不行。我就网上查怎么样找回账号,并且避免被盗。

那个时候就了解到黑客。并且决定要学习网络安全技术。不仅仅是为了不被盗号,我觉得网络上各种盗号的诈骗的还要木马病毒等,做网络安全肯定前途不错。

事实证明我看的很对。

最开始,我觉得学习网络安全好难好复杂,那么多密密麻麻的代码,让人望而生畏。

不过,好在不难,我最开始是看技术文档,看的速度比较慢,不过结合视频,发现网络安全也没想象中的难。刚开始,最重要的就是"驱动力"。而这个"驱动力"是由两个东西带动的,一个叫做"勇气",一个叫做"兴趣"。

网络安全其实非常好玩,一旦你对网络安全的实用性产生兴趣,那么学习起来真的不难,另外一个就是勇气,别害怕碰到难的知识,一定要想办法尝试挑战,如果真的觉得自己无力解决,那么就看视频,买书,请教别人。

在那段时间内,我学习的热情前所未有的高涨,就跟当年玩魔兽世界一样,非常充实,我自己能够感觉到自己慢慢变强了,而这种变强不是依托在一个账号上,而是我自己变强。

02 找工作

对于我这种自学网络安全的人来说,找工作绝对是一个非常非常大的挑战。

但是,我已经做好了再也不做销售的决心,所以我当时第一个目标,就是不管工资多少,不管公司多么不好,先找到一份工作再说,至少,先入行。

虽说我已经有了足够的心理准备,但现实更惨烈,整整一个月,一个面试通知都没有,那个打击是真的很大。

不过,打击归打击,该投的简历还是要投。

在一个周四的下午我接到一个面试通知,至今我都记得,当时我的手绝对在颤抖。

面试过程很短,因为当时他们急招。面试我的是技术部经理,问了几个简单问题后,说:“你什么时候可以上班?”

我说:“随时都可以。”

他说:“那你现在就上班吧,那边是你的工位,你去把图片切一下。”

就这样,我得到第一份工作。现在回想起来,我能够得到这份工作,最大最大的因素,就是坚持。

在这个过程中,我做了很多努力,比如修改我的简历,了解每一家我投递公司的项目需要,再认真写好我的每一份投递的求职信。

虽然,在当时外人眼中,那样其实没有什么意义,但是我知道,只要去做,就一定有意义。

03 职业进阶

对网络安全工程师来说,最重要一定是工作经验和项目经验。

有人说,不对,应该是学习!其实这个答案和我上面给的答案是一样的,因为当你在积累你的工作经验和项目经验的过程中,其实就是一个学习的过程。

我的第一份工作,对我来说,是通过项目来学习的,而且这是最有效的!这是很多在自学网络安全的小伙伴,没有意识到的问题!

大家学习的理论知识都一样,但是最快速、最有效的方式,一定是多敲代码,多看别人的代码。

当时,我花了大概2个月时间,快速成长,当然这得益于我的勤学好问,碰到你无法理解的问题,一定要先尝试思考,然后再去求教他人。

有些人只会抱怨,怨天怨地,我想说的是,在那个过程,你已经浪费了很多时间。

一直保持海绵体的吸收知识,不仅让我自己看到自己的进步,也让我快速在职场里面脱颖而出。

我在第一家公司呆了大概2年后,我跳槽了。

那个时候的我,非常自信,我有有足够的资本自信,因为这两年,我一直在进步,html、css、JavaScript、node.js,还有其他编程语言我也有所涉略。

给小伙伴们一些建议:

目前国内互联网,网络安全是一个很大的缺口,但是这个缺口,是中高级网络安全工程师,一定要自己动手做点小项目,再去找工作。网络安全工程师的职业规划很多,决定了你是否愿意持续学习,因为后面可扩张的技术太多了。

04 入职腾讯

我在跳槽后,进入一家很知名的网络公司,那个时候,我的水平,离进入腾讯的技术员,还有一定的差距。

主要的差距在于,基础理论知识!

越是大公司,越重视面试者的基础知识,这也是非科班出生的致命痛点。

那么是否有办法补救,当然有,那就是:不停学习!

在跳槽到这家公司,我是我们公司的技术小领导,在繁忙的工作中,每天我必定抽出时间继续学习。

有很多网络安全工程师容易满足,不会主动去学习,直到他们需要用到的时候,才开始各种找资源,这种态度不是说不行,只是在我看来,有点懈怠了。


网络安全工程师是一个需要不断学习的岗位,同时也是一个高薪的岗位,所以这样容易滋生懈怠,其实这样未尝不可,只是如果你想站在更高的平台,那么不要停止学习,哪怕每天只是学一点点。

去年二月份,我开始规划自己入职腾讯的计划。

除了刷腾讯公司每年的面试题之外,我还认真的了解腾讯技术部门的架构,以便清晰的知道,如果自己要进去,自己应该负责哪些事项,同时,这些事项需要拥有哪些技术的程序员。

在一切做好准备后,我去面试的那天,游刃有余,我丝毫不觉得我在面试一家多么厉害的公司。

其实进入腾讯公司,只是结果中的"果",而一切的"因",是我之前的积累。

想要得到多少,势必就得付出多少,这是我一路上来最大的感悟。

在腾讯就职了一年多,在里面也学到了很多新知识,新技能。后来,因为一些缘故,就辞掉了这份工作。

或许说的有些长,但如果对你有帮助,或者身边有人在读大学,可以转发让他们看看,也许你的一个随手之举,便能让惊醒沉睡的人。越是困难的时候,越是要选择好道路,工作前三年建议是选择成长大于薪资的公司,三年后可以更注重发展空间。

还有一点就是,一直深耕某个行业也会让你在跳槽的时候更有优势,哪怕是技术稍微差一些。

网络安全很多技术干货,都可以共享给你们,如果你肯花时间沉下心去学习,它们一定能帮到你

网络安全工程师学习资料包

循序渐进地对黑客攻防剖析。适合不同层次的粉丝。我希望能为大家提供切实的帮助,讲解通俗易懂,风趣幽默,风格清新活泼,学起来轻松自如,酣畅淋漓!


学习资料工具包

压箱底的好资料,全面地介绍网络安全的基础理论,包括逆向、八层网络防御、汇编语言、白帽子web安全、密码学、网络安全协议等,将基础理论和主流工具的应用实践紧密结合,有利于读者理解各种主流工具背后的实现机制。

 这些资料我都上传到优快云官方了,需要的请点击下面链接自行下载。

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

面试题资料

独家渠道收集京东、360、天融信等公司测试题!进大厂指日可待!


同时每个成长路线对应的板块都有配套的视频提供:

 

这些资料我都上传到优快云官方了,需要的请点击下面链接自行下载。

优快云大礼包:《黑客&网络安全入门&进阶学习资源包》免费分享

当然除了有配套的视频,同时也为大家整理了各种文档和书籍资料&工具,并且已经帮大家分好类了。

尾言
说实话,上面讲到的资料包获取没有任何门槛。 但是,我觉得很多人拿到了却并不会去学习。几乎任何一个领域都是这样,所谓 “万事开头难”,绝大多数人都卡在第一步,还没开始就自己把自己淘汰出局了。 如果你真的确信自己也对网络安全/黑客技术感兴趣,马上行动起来,比什么都重要。大部分人缺的,就是这么一个开端。

GXHT40温湿度传感器:I2C通信与CRC校验实战解析 本文详细解析GXHT40温湿度传感器的I2C通信协议与CRC校验机制,涵盖硬件连接、时序控制、数据读取及加热功能应用。通过实战案例分享优化技巧与异常处理,帮助开发者提升嵌入式系统中传感器数据的准确性与可靠性。 阅读详情

相关推荐

微信小程序URL Link全解析:从生成原理到实战应用(附Java代码)

本文深入解析微信小程序URL Link的生成原理与实战应用。URL Link是微信官方提供的智能路由协议,通过中间页实现外部链接安全跳转至小程序指定页面。文章详细阐述了其权限模型、环境版本差异及跳转机制,并提供了包含令牌管理、异常处理和性能优化的健壮Java实现方案,助力开发者构建高可用的链接生成服务。

weixin_29327525的博客 1226

网络安全专业毕业生被疯抢?这届年轻人正在抢占未来黄金赛道!md

同龄人在求职市场内卷时,一批00后应届生却手握3个offer,年薪20万起。这个让企业抢破头的神秘岗位,正在成为改变命运的黄金赛道——网络安全工程师。当今社会,大学生就业问题备受关注。随着高等教育的普及,2025届毕业生高达1220万,毕业生人数不断增加,就业岗位竞争愈发激烈,而其中能找到工作的人又有多少?当传统赛道人满为患,真正的蓝海领域却亮起百万人才缺口红灯!工信部最新数据显示:到2027年我国网络安全人才缺口达327万,而高校相关专业毕业生仅3万余人。

2401_85688943的博客 870

Gradient Accumulation 梯度累加/梯度累积 (Pytorch)

我们在训练神经网络的时候,batch_size的大小会对最终的模型效果产生很大的影响。一定条件下,batch_size设置的越大,模型就会越稳定。batch_size的值通常设置在 8-32 之间,但是当我们做一些计算量需求大的任务(例如语义分割、GAN等)或者输入图片尺寸太大的时候,我们的batch size往往只能设置为2或者4,否则就会出现 “CUDA OUT OF MEMORY” 的不可抗力报错。 那么如何在有限的计算资源的条件下,训练时采用更大的batch size...

hxxjxw的博客 5863

资深网络安全工程师挣多少钱?年薪近百万

薪水仍然是求职者寻求新机会时考虑的首选因素。最近的盖洛普美国劳动力市场调查显示,约37%的人会为了20%或更少的涨薪而跳槽。虽然这并不很多,但今天的求职者了解自己的价值,现在的人力市场主动权属于应聘者。 2017 IT 人才争夺战愈加激烈,公司企业纷纷拿出高额薪资组合招揽人才。全球最大人力资源服务解决方案提供商之一,任仕达(Randstad)的《2017...

weixin_33698823的博客 2253

RK3588S开发板实战:手把手教你搞定IMX415摄像头驱动配置(附调试日志分析)

本文提供了一份详细的RK3588S开发板配置IMX415摄像头驱动的实战指南。内容涵盖从环境准备、内核驱动编译、设备树节点编写到调试日志分析的完整流程,并重点解析了摄像头调试过程中的常见问题与解决方案,帮助开发者快速完成驱动配置与功能验证。

weixin_28285943的博客 210

飞书日历同步Outlook翻车?我踩过的坑和最终用Google Calendar成功的完整配置记录

本文详细记录了从Outlook日历同步到飞书时遇到的常见问题及解决方案,特别是通过Google Calendar实现稳定同步的完整配置流程。文章揭示了Outlook同步方案易翻车的原因,并提供了Google Calendar的避坑指南、高级技巧和企业级部署建议,帮助用户高效实现日历同步。

weixin_33724046的博客 317

销售小哥逆袭成为腾讯网络安全工程师,月薪30K,感慨人生!_腾讯网络安全工程师待遇

那个时候就了解到黑客。并且决定要学习网络安全技术。不仅仅是为了不被盗号,我觉得网络上各种盗号的诈骗的还要木马病毒等,做网络安全肯定前途不错。事实证明我看的很对。最开始,我觉得学习网络安全好难好复杂,那么多密密麻麻的代码,让人望而生畏。不过,好在不难,我最开始是看技术文档,看的速度比较慢,不过结合视频,发现网络安全也没想象中的难。刚开始,最重要的就是"驱动力"。而这个"驱动力"是由两个东西带动的,一个叫做"勇气",一个叫做"兴趣"。

2401_84300859的博客 643

【unity游戏开发入门到精通——UGUI】UI控件 —— Toggle开关切换控件

【unity游戏开发入门到精通——UGUI】UI控件 —— Toggle开关切换控件

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 1849

销售小哥逆袭成为腾讯网络安全工程师,月薪30K,感慨人生!_腾讯网络安全工程师待遇(1)

网络安全工程师是一个需要不断学习的岗位,同时也是一个高薪的岗位,所以这样容易滋生懈怠,其实这样未尝不可,只是如果你想站在更高的平台,那么不要停止学习,哪怕每天只是学一点点。除了刷腾讯公司每年的面试题之外,我还认真的了解腾讯技术部门的架构,以便清晰的知道,如果自己要进去,自己应该负责哪些事项,同时,这些事项需要拥有哪些技术的程序员。那个时候的我,非常自信,我有有足够的资本自信,因为这两年,我一直在进步,html、css、JavaScript、node.js,还有其他编程语言我也有所涉略。适合不同层次的粉丝。

2401_84544714的博客 1126

GNSS/RTK定位失效时的替代方案:视觉惯性里程计(VIO)

GNSS/RTK定位失效时的替代方案:视觉惯性里程计(VIO)​ ,人工智能,计算机视觉,大模型,AI,本文详细介绍了视觉惯性里程计(VIO)作为GNSS/RTK定位失效时的替代方案。阐述了VIO的定义、优势及与其他定位技术的区别,讲解了视觉传感器和IMU的工作原理及数据融合原理,分析了时间同步、标定等关键技术,介绍了VINS-Mono等常用框架、简单代码示例、应用场景,还探讨了VIO面临的挑战与未来发展趋势,展现了其在多个领域的重要性与应用潜力。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 16万+

YOLOv8安防监控实战:跌倒/闯入/徘徊实时检测(附TensorRT加速+声光报警部署代码)

精准性:针对跌倒/闯入/徘徊的行为特征优化,准确率达89.3%,误报率低于5次/天;实时性:TensorRT加速到50+FPS,报警延迟<1秒,满足安防“黄金响应时间”;低成本:无需专用AI芯片,RTX 3060或Jetson Orin就能跑,硬件成本比传统方案低60%;易部署:代码全开源,提供从模型训练到硬件联动的完整流程,2天即可搭起原型系统。如果你的安防监控还在“漏报误报”“响应慢”,建议先从跌倒检测的姿态过滤改起——用100张样本测试,再集成TensorRT加速,90%能看到明显改善。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 681

销售小哥逆袭成为腾讯网络安全工程师,月薪30K,感慨人生!_腾讯网络安全工程师待遇(2)

网络安全其实非常好玩,一旦你对网络安全的实用性产生兴趣,那么学习起来真的不难,另外一个就是勇气,别害怕碰到难的知识,一定要想办法尝试挑战,如果真的觉得自己无力解决,那么就看视频,买书,请教别人。除了刷腾讯公司每年的面试题之外,我还认真的了解腾讯技术部门的架构,以便清晰的知道,如果自己要进去,自己应该负责哪些事项,同时,这些事项需要拥有哪些技术的程序员。在那段时间内,我学习的热情前所未有的高涨,就跟当年玩魔兽世界一样,非常充实,我自己能够感觉到自己慢慢变强了,而这种变强不是依托在一个账号上,而是我自己变强。

2401_84544714的博客 1017

终于找到两个稳定好用的Docker镜像加速源,拉取速度提升几十倍!

国内使用Docker经常遇到镜像拉取慢、超时失败的问题🐳 本文分享两个亲测好用的免费镜像加速源⚡ 实测拉取速度从十几分钟缩短到几十秒,稳定性接近100%📊 支持一键配置脚本,支持多平台使用✨

XiaoqiangClub的博客 960

销售小哥逆袭成为腾讯网络安全工程师,月薪30K,感慨人生!_腾讯网络安全工程师待遇(3)

在结束之际,我想重申的是,学习并非如攀登险峻高峰,而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后,持之以恒的学习变得愈发不易,如同在茫茫大海中独自划舟,稍有松懈便可能被巨浪吞噬。然而,对于我们程序员而言,学习是生存之本,是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习,我们便如同逆水行舟,不进则退,终将被时代的洪流所淘汰。因此,不断汲取新知识,不仅是对自己的提升,更是对自己的一份珍贵投资。让我们不断磨砺自己,与时代共同进步,书写属于我们的辉煌篇章。需要完整版PDF学习资源私我。

2401_84544752的博客 763

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

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")

湖南省网安基地网络安全培训:零基础入门与实战进阶的课程衔接

零基础学网安,怕跟不上;有基础再学,怕重复。本文按阶段拆解湖南省网安基地的网络安全培训衔接逻辑:能力评估定起点,基础阶段补系统与网络底座,核心阶段练漏洞复现,进阶阶段进入红蓝对抗与单位网络安全攻防演练,并说明 NISP、CISP 与网安实战人才的对应关系。

2401_84466325的博客 1147

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。

MAI-Cyber-1 深度解析:微软首个网络安全专用模型

微软没有去做"更大的安全大模型",而是用一颗 137B 总参、仅 5B 激活的稀疏 MoE 专用模型,配上 90/10 的"小模型铺量、大模型兜底"路由,在 CyberGym 基准上拿到 95.95% 的同时把成本砍掉一半——这标志着 AI 安全从"通用模型加提示词"进入了"专用模型加系统工程"的时代。

Simple_Pure的博客 355

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: 计算机专业寒冬已至,这几个方向或许是最后机会
下一篇: 想自学黑客,看这5本书就可以了!
程序媛西米
博客等级 码龄5年 4031粉丝 1569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