运营天天改规则就要发版?这个开源规则引擎,Web 配完接口直接生效

OLAP数据可视化工具选型实战:开源BI、商业BI与自研路线全解析 在数据分析链路中,OLAP(联机分析处理)引擎负责对海量多维数据进行高速聚合计算,但算出的结果若无法直观呈现,就难以转化为业务决策价值。数据可视化作为连接OLAP与业务用户的“最后一公里”,通过报表、Dashboard、大屏等形式将复杂结果转化为可读图表。面对开源BI(如Superset、Metabase)、商业BI(如Tableau、Power BI、帆软)以及专业大屏工具(如Grafana、DataV)等庞杂选项,如何根据团队规模、数据源类型、权限要求与预算进行科学选型,成为数据工程师与分析师的普遍痛点 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

👉这是一个或许对你有用的开源项目

国产Star破10w的开源项目,前端包括管理后台、微信小程序,后端支持单体、微服务架构

RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、AI大模型、IoT物联网等功能:

  • 多模块:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • 微服务:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK17/21+SpringBoot3、JDK8/11+Spring Boot2双版本 


反向定位:把规则改动从代码里剥出来

风控、营销、定价、优惠这些业务规则的共性是:变得快、变得乱、变得不讲道理 。运营今天说「白名单加 3 个手机号」、明天说「下单金额 > 500 才发优惠券」、后天又说「IP 黑名单临时屏蔽 50 个段」。

如果这些规则全写在代码里:

  • 改一条 → 改 Java 代码 → CR → CI → 灰度 → 全量 → 半天到一天没了 ;

  • 紧急变更等不及发版,运营拿 SQL 直连库改 → 没审计、没回滚 ;

  • 月底复盘时谁也说不清楚「这条规则当时为什么开」。

这次推荐的是 RuleEngine ——一个开源 Java 规则引擎,它不是「让你写更优雅的 if-else」,是「把『改规则』这件事从代码里剥出来交给运营/PM 自助」 :

  • Web 界面配规则 :运营自己拖拽组合「条件 + 阈值 + 动作」,不需要工程师;

  • HTTP 接口执行 :Java 服务调一下 /ruleEngine/generalRule/execute,传业务参数,回来就是判定结果;

  • 零发版生效 :Web 上保存即生效,无需重启业务服务 。

核心理念 :业务规则的变化频率,远高于代码本身的变化频率 ——把它们解耦开,是工程纪律。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

横向对比:4 个规则引擎方案怎么选

不是所有项目都该上规则引擎。先看自己在哪个象限:

方案

形态

配置难度

改完是否要发版

致命短板

硬编码 if-else

代码

0

每次都要发版

改一条要走完整 CI/CD

Drools

Java 库

高

改 DRL 文件、要部署

DSL 学习曲线陡,运营写不来

Groovy / QLExpress 脚本

嵌入式

中

字符串热更新可省发版

仍是写代码,运营碰不了

本文方案:Web 规则引擎

独立服务

低

 (拖拽)

零发版

多一个服务依赖

判断很简单 :

  • 规则数量 < 5 条、几乎不变:硬编码 就好,别上重武器;

  • 规则在工程师内部维护:Groovy / QLExpress 脚本 是最轻的活路,能热更新;

  • 规则要交给运营 / PM 自己改、变更频繁:Web 规则引擎是唯一答案 ;

  • 真复杂的工业级规则(保险定价、信贷决策):Drools 仍有它的位置。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

3 个真实业务场景

场景 1:风控黑白名单

规则:当 phone IN 黑名单库 OR ip IN 屏蔽段 → 拒绝下单

痛点 :黑名单每天都在变,每次都改代码不现实。用法 :运营在 Web 配「条件 + 黑名单数据源」,下单接口执行规则前调一次:

PhoneBlockRule input = new PhoneBlockRule();
input.setPhone(req.getPhone());
input.setIp(req.getClientIp());
Output result = ruleEngineClient.generalRule().execute(input);
if (result.isHit()) throw new BlockedException("命中风控");

收益 :黑名单变更秒级生效,运营自助操作,开发者解放。

场景 2:优惠券发放规则

规则:用户 是新客 AND 下单金额 > 500 AND 城市 IN [北京/上海/深圳] → 发 50 元券

痛点 :大促规则一天一变,全靠开发改 if-else 极其折磨。用法 :每个促销活动配成一条规则,结束直接禁用——库存、券发放走原系统接口,规则引擎只负责「判定是否发 」。收益 :促销上线时间从 3 天压到 1 小时。

场景 3:参数动态校验

规则:手机号长度 = 11 AND 前缀 IN [13/14/15/16/17/18/19] AND 不在内部测试号段

痛点 :测试号段、临时灰度号段经常变,校验代码改起来繁琐。收益 :校验逻辑放规则引擎,业务代码就保留「调一次规则引擎 」一行。

接入 3 步:装服务 + 装客户端 + 调规则

第 1 步:装规则引擎服务

SpringBoot 2.2.11 + RabbitMQ + Redis + MySQL 5.7+ + MyBatis-Plus

部署后访问 Web 控制台 http://ruleengine.cn,配规则。

第 2 步:业务系统接客户端

<dependency>
    <groupId>cn.ruleengine</groupId>
    <artifactId>rule-engine-client</artifactId>
    <version>2.0</version>
</dependency>

application.yml:

rule:
  engine:
    baseUrl:http://ruleserver.cn
    workspaceCode:default
    accessKeyId:root
    accessKeySecret:123456
    feignConfig:                # 可选
      request:
        connectTimeoutMillis:3000
        readTimeoutMillis:3500
      retryer:
        period:2000
        maxPeriod:2000
        maxAttempts:3

关键点 :超时时间 + 重试次数要根据业务调——规则引擎挂了不能让业务接口跟着雪崩 。

第 3 步:业务代码调规则

@EnableRuleEngine
@SpringBootTest
publicclass RuleTest {

    @Resource
    private RuleEngineClient ruleEngineClient;

    @Test
    public void testPhoneRule() {
        PhoneTestRule input = new PhoneTestRule();
        input.setPhone("13400000000");

        GeneralRule rule = ruleEngineClient.generalRule();
        Output output = rule.execute(input);
        System.out.println(output);
    }
}

@Data
@Model(code = "phoneRuletest")
publicclass PhoneTestRule {
    @InputParameter(code = "phone")
    private String phone;
}

注意 :@Model(code = "phoneRuletest") 必须和 Web 上配置的规则 code 完全对齐,错一个字母规则就调不到。

也可以走 HTTP 不用客户端 (适合非 Java 项目):

POST http://ruleserver.cn/ruleEngine/generalRule/execute
Content-Type: application/json

{
  "code": "phoneRuletest",
  "workspaceCode": "default",
  "accessKeyId": "略",
  "accessKeySecret": "略",
  "param": { "phone": "13400000000" }
}

自定义 HTTP 客户端 (用 RestTemplate 替代默认 Feign):

@Component
@Import({RestTemplate.class})
public class RuleEngineClientConfig {

    @Resourceprivate RestTemplate restTemplate;

    @Bean
    public GeneralRuleInterface generalRuleInterface() {
        returnnew GeneralRuleInterface() {
            @Override
            public ExecuteResult execute(ExecuteParam param) {
                return restTemplate.postForObject(
                    "http://ruleserver.cn/ruleEngine/generalRule/execute",
                    param, ExecuteResult.class);
            }
            @Overridepublic IsExistsResult isExists(IsExistsParam p) { returnnull; }
            @Overridepublic BatchExecuteResult batchExecute(BatchParam p) { returnnull; }
        };
    }
}

可视化配置面板

实际操作界面长这样——条件、阈值、动作都拖拽配置:

最直接的好处:运营 / PM 不需要懂 Java 也能配 。把这种 UI 截图发给业务方,他们看一眼就懂——比让他们读 if-else 代码门槛低 100 倍。

4 个真实使用边界

边界 1:规则引擎挂了不能让业务接口跟着挂(最常见)

业务接口里调规则引擎的接口,必须设超时 + 兜底策略 :超时不返回时走默认放行 / 默认拒绝 (按业务决定)。没兜底就是把所有业务接口的 SLA 绑给了规则引擎 ——这是规则引擎的头号坑。

边界 2:高频规则要加缓存(常见)

每次下单都调,QPS 一上去引擎被打满。修法 :客户端对「规则版本号 + 入参 」做短期缓存(30 秒~5 分钟),版本变更失效;或把规则推到 Redis 让业务侧本地匹配,引擎只管编译。

边界 3:规则变更要审计 + 灰度(少见但破坏力大)

「运营改规则秒生效」是优点也是风险——运营手抖把白名单全清了,业务直接挂。必须配 :① 规则变更审计日志;② 重大规则变更要双人审批;③ 改完先灰度 10% 流量观察 5 分钟再全量。生产规则引擎和数据库是同一个量级的关键基础设施 。

边界 4:复杂规则别硬塞(高级场景)

规则引擎适合「条件组合判定 + 阈值比较 」这类清晰逻辑——不要硬塞循环、递归、复杂数学计算 。复杂的算 score(用户行为) > threshold 应该走专门的算法服务,规则引擎只调用算法服务的输出做最终判定。

最后聊两句

规则引擎不是「把代码搬到 Web 上」——它是把「规则的变更频率」和「代码的变更频率」解耦 。好的工程结构不是没有变化,是让易变的部分不影响稳定的部分 。

仓库:gitee.com/aizuda/rule-engine-front-open


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
AI安全实战:构建语义级检测引擎防御提示词注入攻击 在AI应用开发中,提示词注入(Prompt Injection)作为一种新型安全威胁,正逐渐成为攻击者绕过AI系统安全边界的主要手段。其原理是利用精心构造的自然语言输入,诱导或劫持大语言模型的执行逻辑,从而实现越权访问、数据泄露等恶意目的。传统的基于规则匹配(如正则表达式)的Web安全扫描工具,由于难以理解语义的灵活性和多变性,往往对此类攻击束手无策。因此,构建能够进行语义理解和意图识别的AI驱动动态检测引擎,成为保障AI平台安全的核心技术价值。这种引擎通常采用双层架构:第一层为基于Aho-Corasick 阅读详情

相关推荐

Jeepay:Java开源支付中台的生产级实践与架构深度解析

支付中台是支撑多渠道接入、分账、对账与风控的核心基础设施。其本质是围绕交易状态一致性、审计合规性与金融级稳定性构建的分布式系统。Java凭借成熟的事务管理、强类型安全机制和丰富的企业级生态,在支付领域展现出不可替代的技术价值。Jeepay作为典型代表,深度融合Spring Boot、MyBatis-Plus、Redisson等组件,实现从数据库建模、渠道适配、风控规则到运维部署的全链路工程化落地。它不仅支持微信/支付宝等主流渠道开箱接入,更通过三重编号体系、状态机锁控、风险等级动态计算、对账差异自动修复等设

weixin_33937778的博客 394

常见的开源规则引擎简介

常见的开源规则引擎简介

欢迎朋友,我是一名十多年开发经验的新手,希望多多指教。 2404

ThinkPHP写的微信多号自动运营后台,带网页管理界面和定时任务支持

基于ThinkPHP开发的微信多账号统一运营工具,能同时接入多个微信账号,实现自动回复消息、智能添加好友、批量群发图文/链接、实时会话监听与关键词触发响应。提供完整的Web后台管理页面,支持账号状态查看、操作日志记录、回复模板配置和推送任务调度。部署环境要求Linux服务器+PHP 7.2以上+MySQL 5.6以上,附带install.sql数据库初始化脚本、基础配置文件(app.php、convention.php)、常用辅助函数(helper.php、common.php)及Composer依赖清单。

app77的博客 282

Drools开源业务规则引擎(一)- 安装与介绍(构建KieBase)

规则引擎,是业务规则管理系统的一部分,主要思想是将应用程序中的业务决策部分分离出来,并使用预定义的语义模板编写业务决策(业务规则),由用户或开发者在需要时进行配置、管理。规则引擎通过业务规则管理系统(BRMS,Business Rule Management System)来实现对业务规则的集中管理和动态执行。灵活性和可配置性:用户通过配置而不是代码编写来定义和管理业务规则。这使得规则可以根据需求进行更加灵活的调整和修改,而无需进行软件开发和发布。可维护性和可扩展性:业务规则的管理和维护变得更加容易。

AHAO的博客 4209

手把手教你用VM实现欧姆龙PLC数据采集(含Fins协议配置详解)

本文详细介绍了如何使用VM(VisionMaster)实现与欧姆龙PLC的数据采集,重点解析了Fins协议(包括Fins TCP/UDP)的配置步骤。从网络环境搭建、PLC的IP地址设置,到VM端Fins通讯通道的详细配置与数据点映射,提供了完整的实战指南。文章还涵盖了数据收发解析、常见问题排查清单,帮助工程师快速完成视觉系统与PLC的稳定集成。

weixin_29171087的博客 189

PX4代码解析(1)

前言 做pixhawk飞控有一段时间了,但在学习过程中遇到许多困难,目前网上找不到比较完整的PX4学习笔记,我打算结合自己理解,写写自己对PX4源码的理解,不一定对,只是希望与各位大佬交流交流,同时梳理一下无人机知识。 目前打算分享以下几个内容:代码架构;通信协议;姿态解算算法,控制算法。先这样,后面想到再加。本章先来聊聊px4代码结构 一、代码整体结构 既然要聊px4代码结构,那就先把px4代码结构图放出来,因为px4源码仍然在不断更新迭代,因此老版本与新版本目录结构可能有些不同,我的代码解析参考版本为V

qq_36903625的博客 1万+

开源规则引擎比较

规则引擎

oooqqqooo123的博客 1万+

ubuntu17.04 UHD 驱动出错

ubuntu 17.04 源码安装UHD

xrh003的博客 1万+

Drools开源业务规则引擎(三)- 事件模型(Event Model)

提供了规则引擎相关的事件监听和处理机制,允许开发者在规则引擎执行过程中监听和处理事件,包括规则触发、断言对象等,并且还有利于将日志记录和应用程序的核心功能(以及规则)分离。允许添加和删除侦听器,以便可以侦听工作内存和agenda的事件。,通过调试打印语句实现每个方法。实现,它提供两个接口,监听器接口默认的实现类。

AHAO的博客 1692

智能座舱-语音交互系统

从什么是智能座舱、智能座舱的发展驱动因素、智能座舱的构成要素三个方面梳理我对智能座舱的基础认识之后,为了加深“智能座舱产品入门”课程中语音交互部分知识的理解,我从什么是语音交互、语音交互的底层技术、智能座舱的语音交互等方面,对智能座舱语音交互系统相关的知识进行了梳理与总结。

GUOSA0928的博客 1443

地平线RDKX3初始配置与USB无线网卡

地平线X3无线网卡配置

Richard_Mei的博客 4083

5、规则引擎详解:概念、作用、场景、痛点与主流开源方案对比

规则引擎概述 规则引擎是一种将业务逻辑从应用程序代码中分离出来的软件系统,通过声明式方式执行规则。它基于事实和规则的匹配机制自动推导结论或执行动作,实现"做什么"与"怎么做"的分离。 核心作用 业务规则解耦 动态规则管理 复杂决策自动化 规则可视化 高性能匹配 审计与追溯 典型应用场景 金融风控(贷款审批、反欺诈) 电商促销(优惠券发放、价格计算) 保险核保(保费计算、动态定价) 内容审核(敏感词过滤、图片识别) 医疗诊断(辅助诊断、用药检查) 物联网(设备告警、能耗

python15397的博客 2017

网络可视化工具netron详细安装流程

netron安装目录1.netron 简介2.不同操作系统下的安装使用方式2.1 在线版本:只要有浏览器就可以2.2 不同操作系统安装使用3.netron支持的网络框架4.netron测试演示 1.netron 简介 在实际的项目中,经过会遇到各种网络模型,需要我们快速去了解网络结构。如果单纯的去看模型文件,脑海中很难直观的浮现网络的架构。 这时,就可以使用netron可视化工具,可以清晰的看到每一层的输入输出,网络总体的架构,而且支持各种不同网络框架,简单好用。 2.不同操作系统下的安装使用方式 2.1

江南研习社 12万+

基于OpenResty和规则引擎的校园Web安全防御系统设计与实践

Web应用防火墙是保障Web系统免受注入、跨站脚本等攻击的关键防线。面对日益复杂的网络威胁,传统商业WAF成本高、策略不透明,而开源技术栈为构建轻量级防御体系提供了灵活路径。借助OpenResty的高性能请求处理能力和Lua脚本的可编程性,可以实现在反向代理层对HTTP流量进行深度检测与实时拦截。规则引擎结合行为识别,能够有效覆盖SQL注入、XSS、恶意扫描等常见攻击,同时通过完善的日志系统与告警分级实现攻击溯源与快速响应。在高校或中小型企业场景中,这类基于开源组件自研的防御系统,既能贴合业务定制策略,又能

weixin_29327977的博客 248

Python 爬虫教程:美食网站 + 社交平台餐馆评论抓取(评分提取 + 情感分析)

在当今数字化时代,数据无处不在,而爬虫技术则是获取数据的强大工具之一。无论是市场调研、学术研究还是个人兴趣探索,爬虫都能帮助我们从海量的网络信息中提取有价值的数据。本文将通过一个实战案例,带领大家学习如何使用 Python 爬虫技术抓取美食网站和社交平台上的餐馆评论,并进行评分提取与情感分析。通过这个项目,你将掌握爬虫的基本原理、数据解析、以及如何结合情感分析技术来挖掘数据背后的洞察。

u014481728的博客 312

QT-Creator安装教程(windows)

本文介绍了Qt的下载安装步骤:1)通过镜像源下载安装包;2)运行exe文件时使用命令行参数指定镜像地址;3)在安装过程中选择路径和自定义安装组件,包含QT5和QT6版本的详细安装说明;4)安装后可继续添加扩展包或卸载组件。重点提示了QT6必须勾选的关键组件,并提供了组件管理的操作方法。

qq_53545309的博客 3120

免费开源WAF天花板!雷池SafeLine部署与实战全解析

在Web安全防护体系中,WAF(Web应用防火墙)一直是抵御恶意流量、SQL注入、XSS攻击等威胁的重要防线。传统规则型WAF依赖正则匹配,存在性能开销大、绕过风险高的痛点,而基于语义分析的检测引擎能够从请求的“行为意图”出发,准确识别变种攻击与混淆Payload,同时大幅降低误报率。雷池(SafeLine)作为一款免费开源的高性能WAF,凭借长亭科技积累的语义分析技术,将企业级安全能力下沉到中小团队和个人开发者,通过Docker容器化部署,无需改造业务代码即可为Web服务提供全面防护。无论是自建博客、AP

weixin_33834910的博客 353

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

GLM-4.7-Flash应用场景:新媒体运营——爆款标题生成+封面文案A/B测试

本文介绍了如何在星图GPU平台上自动化部署GLM-4.7-Flash镜像,高效支撑新媒体运营中的爆款标题生成与封面文案A/B测试。用户可快速启动服务,批量产出多风格中文标题并智能预判文案点击倾向,显著提升内容决策效率与传播确定性。

weixin_33597080的博客 346

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

用Qwen3Guard-Gen-WEB做短视频评论审核,效果惊人

本文介绍了如何在星图GPU平台上自动化部署Qwen3Guard-Gen-WEB镜像,高效开展短视频评论审核。该镜像开箱即用,支持多语言、高伪装内容识别,可精准拦截恶意引战、软色情、诈骗诱导等违规评论,显著提升内容安全治理效率。

weixin_32456485的博客 419

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")

小白也能做安全审核?Qwen3Guard-Gen-WEB亲测分享

本文介绍了如何在星图GPU平台上自动化部署Qwen3Guard-Gen-WEB镜像,实现面向文本内容的安全审核功能。用户无需代码基础,通过图形化界面即可快速启动服务,典型应用于电商评论、客服话术、UGC内容等场景的风险等级判定与人工复核辅助,显著提升内容安全初筛效率。

weixin_35019679的博客 546

蓝队安全运营实战:从日志分析到应急响应的全流程指南

在企业安全运维中,日志分析是感知威胁的第一道关口,但仅收集日志远远不够,关键在于字段解析与数据质量。入侵检测则是第二道防线,从规则匹配到自适应入侵检测,通过动态基线降低误报,让检测模型贴合真实业务流量。而面对海量告警,告警分析与降噪能力直接决定运营效率,将告警与资产价值关联、按优先级研判,才能避免告警风暴淹没真实威胁。当攻击确认发生时,应急响应流程必须清晰有序,从隔离遏制到根除恢复,每一步都需留下可溯源的记录。结合应急响应靶机linux-whereis的实战训练,可有效提升查找异常文件、还原攻击路径的能力。

weixin_29314405的博客 75

产品之路的随想(社区版)

98年从14.4k的modem拨号上网,看到的是网易,邮箱,蓝波BBS,以及痞子蔡的《第一次亲密接触》,这些让我印象非常深刻。当时没能想到web对我的生活和工作产生了这么大的影响。99年开始接触搜索引擎,有位老鸟的话让我记忆犹新:“要把google.com写在手背上,天天能看见”。2000年开始接触php,mysql,linux,apache,一个企业网站能卖5000元...

weixin_34357436的博客 366

【转载】产品之路的随想(社区版)

原文地址:http://timeson.iteye.com/blog/651601         点击打开链接           98年从14.4k的modem拨号上网,看到的是网易,邮箱,蓝波BBS,以及痞子蔡的《第一次亲密接触》,这些让我印象非常深刻。当时没能想到web对我的生活和工作产生了这么大的影响。99年开始接触搜索引擎,有位老鸟的话让我记忆犹新:“要把google.com写在手背

康 1552

多模态SCA与全周期协同:中间件开源风险治理实战指南

软件成分分析(SCA)是识别和管理软件中开源组件安全风险的基础技术,其核心原理是通过分析软件构成,识别已知漏洞、许可证冲突等风险。随着软件供应链日益复杂,传统单一扫描方式已难以应对隐藏依赖和运行时风险。多模态SCA技术通过融合二进制分析、运行时行为监控和依赖图谱,实现了更精准的风险发现。结合全周期协同理念,将安全能力左移至开发阶段并贯穿CI/CD流水线,能系统性降低开源引入的风险。本文以中间件这一关键基础设施为焦点,深入探讨如何构建覆盖开发、构建、部署、运营各阶段的自动化风险治理体系,并分享工具链选型与分阶

weixin_30732487的博客 339

用Qwen3Guard-Gen-WEB做了个AI客服审核项目,全过程分享

本文介绍了如何在星图GPU平台上自动化部署Qwen3Guard-Gen-WEB镜像,实现AI客服内容安全审核。该镜像可对用户提问进行实时语义级风险识别与合规判定,典型应用于本地生活服务平台的客服对话审核场景,有效拦截诱导、伪科学、隐私侵犯等隐性违规内容。

weixin_35459464的博客 646

三级风险分类有多强?Qwen3Guard-Gen-WEB实战演示

本文介绍了如何在星图GPU平台上自动化部署Qwen3Guard-Gen-WEB镜像,实现多语言内容安全的三级风险实时审核。用户通过浏览器即可完成文本输入与判定,典型应用于客服对话过滤、UGC评论审核及营销文案合规检查,显著提升内容风控效率与可解释性。

weixin_32921023的博客 404
上一篇: EasyExcel 凉了?FastExcel 又“改名“了?这次它进了 Apache,再不会跑了!
下一篇: EasyExcel 凉了?FastExcel 又“改名“了?这次它进了 Apache,再不会跑了!
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377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