HTTPS中间人攻击实战:用mitmproxy破解GitHub登录会话

爬虫抓包实战:从Wireshark到Mitmproxy的HTTPS解密与协议分析 在网络数据抓取与分析领域,协议嗅探是理解应用通信逻辑的基础技术。其核心原理是通过拦截网络数据包,对传输层和应用层协议进行解析,从而可视化数据流。这项技术的核心价值在于帮助开发者逆向工程API接口、调试网络请求以及分析数据交互逻辑,尤其在Web爬虫、安全测试和移动应用分析等场景中不可或缺。传统工具如Wireshark擅长网络层抓包,但面对主流的HTTPS加密流量时,常遇到解密难题。而应用层代理工具Mitmproxy通过中间人攻击机制,能有效实现HTTPS流量的实时解密与修改,结合Python脚本扩展,可自动化 阅读详情

1. 项目概述:当HTTPS的“锁”被撬开

我们每天都在和HTTPS打交道,浏览器地址栏里那个小小的锁头图标,几乎成了“安全”的代名词。无论是登录邮箱、银行转账,还是在GitHub上提交代码,这把“锁”都在默默地为我们保驾护航,确保数据在传输过程中不被窃听和篡改。但作为一名长期与网络安全打交道的从业者,我常常被问到一个问题:“HTTPS真的就绝对安全吗?” 今天,我们就来亲手做一次“黑客”,用 mitmproxy 这个强大的工具,模拟一次针对HTTPS的中间人攻击,目标直指我们开发者最熟悉的GitHub登录会话。这不是为了教你做坏事,而是通过亲自动手,深刻理解HTTPS安全的边界在哪里,以及我们该如何正确地保护自己。

简单来说,HTTPS的安全建立在SSL/TLS协议之上,它通过数字证书和加密算法,在客户端(你的浏览器)和服务器(如GitHub)之间建立一条加密的“安全隧道”。中间人攻击的目标,就是让自己成为这条隧道中间的“窃听者”和“伪造者”。 mitmproxy 正是一个专业的中间人代理工具,它不仅能拦截、查看,还能修改HTTPS流量。通过这个实验,你将清晰地看到,在某些特定条件下,那把“安全锁”是如何被绕过的,以及一个看似安全的登录过程,其会话凭证是如何暴露的。这适合所有对网络安全、应用开发或运维感兴趣的读者,无论你是想加固自己的服务,还是单纯想理解背后的原理。

2. 核心原理与攻击环境剖析

2.1 HTTPS与中间人攻击的本质矛盾

要理解这次攻击,必须先拆解HTTPS和中间人攻击这对“矛与盾”。HTTPS的核心是 公钥基础设施 。当你访问 https://github.com 时,服务器会发送它的SSL证书,其中包含一个由可信证书颁发机构签名的公钥。你的浏览器内置了这些CA的根证书,它会验证GitHub证书的签名是否有效、域名是否匹配。验证通过后,浏览器会用这个公钥加密一个随机生成的“会话密钥”,发送给服务器。服务器用自己的私钥解密后,双方就用这个会话密钥来加密后续的所有通信。

中间人攻击的精髓在于 身份冒充 。攻击者需要设法让客户端(你的浏览器)相信,它(攻击者)就是目标服务器(如GitHub)。在传统的网络环境中(比如不安全的公共Wi-Fi),攻击者可以通过ARP欺骗、DNS劫持等手段,将你访问GitHub的流量引导到他的机器上。这时,你的浏览器会向攻击者的机器发起HTTPS连接。

关键的一步来了:攻击者的机器(运行着 mitmproxy )会立即向真实的GitHub服务器建立另一个HTTPS连接。对于你的浏览器,它伪装成GitHub;对于真实的GitHub,它伪装成你的浏览器。但这里有一个死结:当你的浏览器连接攻击者时,它要求对方出示 github.com 的证书。攻击者没有GitHub的私钥,自然无法提供有效的、由可信CA签名的证书。

mitmproxy 的解决方案是 动态生成证书 。它自己扮演一个“根证书颁发机构”(CA)。我们首先需要在客户端(即被攻击的机器)上手动安装 mitmproxy 生成的这个根证书,并告诉系统“我信任这个CA”。一旦完成这一步, mitmproxy 就可以为任何它拦截的域名(如 github.com )即时签发一张证书。这张证书的域名信息是正确的,签名者正是我们刚刚信任的那个“根CA”。于是,浏览器的证书验证流程就通过了——它“以为”连接到了真正的GitHub,实际上却连接到了 mitmproxy 。至此,加密隧道在“你-攻击者”和“攻击者-GitHub”之间分别建立,而 mitmproxy 坐在中间,可以看到、修改所有明文数据。

注意 :这个实验必须在 你完全可控的环境 中进行,例如你自己的虚拟机、测试机,或经过明确授权的测试目标。在任何其他环境中尝试此类操作都可能违反法律和道德准则。

2.2 实验环境与工具选型

为了清晰地复现整个过程,我们需要搭建一个简单的实验网络。我推荐以下两种方案:

方案一:单机本地环回测试(最简单) 这是最适合学习和演示的环境。你只需要一台电脑。

  • 攻击机/代理机 :就是你当前的主机,运行 mitmproxy 。
  • 客户端 :同一台主机上的一个浏览器进程,我们将其代理设置指向本机的 mitmproxy 。
  • 目标服务器 :远端的真实GitHub服务器。 这种方式避免了复杂的网络配置,所有流量都通过本地环回接口流转,非常适合理解原理。

方案二:局域网虚拟环境(更贴近真实攻击场景) 如果你有多台设备或使用了虚拟机,可以模拟一个更真实的网络。

  • 网络拓扑 :攻击机和客户端处于同一个局域网(例如同一个Wi-Fi下)。攻击机的IP是 192.168.1.100 ,客户端的IP是 192.168.1.101 。
  • 关键步骤 :在客户端上,你需要手动配置系统或浏览器的HTTP/HTTPS代理,将其指向 192.168.1.100:8080 ( mitmproxy 的默认监听端口)。这样,客户端的所有Web流量都会先经过攻击机。

工具选型解析:为什么是mitmproxy? 市面上中间人工具不少,如Burp Suite、Fiddler、Charles等。我选择 mitmproxy 作为本次实验的核心,基于以下几点考量:

  1. 命令行优先,轻量且强大 :它没有GUI的冗余,所有操作可通过命令完成,易于脚本化和理解底层流程。这对于学习原理至关重要。
  2. 透明的中间人机制 :它对HTTPS的拦截和证书生成过程非常直观,便于我们观察证书安装、连接建立等每一个环节。
  3. 强大的流量操控能力 :除了查看,还能实时修改请求/响应、重放请求、定制脚本,这对于深入分析会话管理逻辑(如Cookie、Token)非常有帮
SSLstrip+原理与实战:HTTPS协议降级攻击与防御解析 HTTPS作为保障网络通信安全的核心协议,通过SSL/TLS加密机制在客户端与服务器之间建立安全通道,防止数据在传输过程中被窃取或篡改。其工作原理基于非对称加密交换会话密钥,再通过对称加密实现高效数据传输,为在线交易、隐私通信等场景提供了基础安全保障。然而,在安全审计与渗透测试领域,安全专家需要验证系统在中间人攻击场景下的防护能力,HTTPS协议降级攻击便成为重要的测试手段。SSLstrip+作为经典工具SSLstrip的增强版,通过ARP欺骗等技术实现中间人攻击位置,并利用协议降级与内容劫持技术,将服务器 阅读详情

相关推荐

SSL Kill Switch 2:绕过iOS/macOS证书绑定,实现HTTPS流量抓包分析

SSL/TLS证书验证是保障网络通信安全的基础机制,它通过验证服务器证书的合法性来建立可信的加密连接。其核心原理涉及证书链验证、域名匹配和有效期检查等环节,确保数据传输的机密性与完整性。在移动应用开发和逆向工程领域,这一机制的技术价值在于保护用户数据,防止中间人攻击。然而,当开发者或安全研究员需要对应用进行安全测试、调试网络问题或分析API调用时,严格的证书绑定(Certificate Pinning)机制会成为阻碍,导致常用的代理工具(如Charles)无法拦截HTTPS流量。SSL Kill Switc

422

微信防撤回技术解析:从原理到实践的三种实现方案

在即时通讯软件中,消息撤回功能旨在纠正误发,但接收方常因信息缺失而产生困扰。从技术原理看,消息撤回本质是客户端向服务器发送指令,再由服务器同步至接收方客户端执行移除操作。拦截撤回的核心技术价值在于通过本地化处理,在指令生效前保存消息内容,以保障沟通记录的完整性,适用于需要留存证据或复盘讨论的场景。实现这一目标主要依赖三种技术路径:一是通过逆向工程修改客户端二进制文件或注入动态库(DLL),直接钩取(Hook)消息处理流程;二是利用自动化脚本(如AutoHotkey)监控界面或内存,模拟操作进行保存;三是通过

cuiji1279的博客 403

逆向工程实战:拆解Instagram登录协议中的混合加密机制

在现代移动应用安全架构中,混合加密是保障用户认证数据安全的核心技术。其基本原理是结合非对称加密与对称加密的优势:使用RSA等非对称算法安全地交换密钥,再通过AES等对称算法高效加密实际传输的敏感数据。这种设计在工程上实现了前向保密与高性能的平衡,广泛应用于登录、支付等高安全要求的场景。以Instagram为代表的超级App,其登录流程便深度集成了这套机制,并融合了设备指纹、SSL Pinning等额外防护层。通过逆向工程分析其Android客户端,可以清晰观察到密钥协商、AES-GCM加密等具体实现,为理解

weixin_33676492的博客 336

小程序素材抓取技术解析:从网络抓包到自动化脚本实践

网络抓包是分析应用数据交互的核心技术,通过拦截和解析HTTP/HTTPS请求,开发者可以深入理解资源加载机制与数据传输原理。这项技术在性能优化、安全审计和竞品分析中具有重要价值,尤其适用于移动应用和小程序的素材资源分析场景。本文聚焦于小程序图片、视频、音频等多媒体资源的自动化获取方法,详细介绍了基于Charles等抓包工具的网络请求分析流程,并提供了Python自动化脚本的实现思路,帮助开发者和设计师高效构建合规的素材收集工作流。

weixin_34416649的博客 519

游戏逆向工程实战:从静态分析到动态调试的完整工具链与方法论

逆向工程是理解软件内部运行机制的关键技术,其核心原理是通过分析程序的二进制代码、内存状态和网络通信,将编译后的“黑盒”系统转化为可理解的逻辑模型。这项技术的价值在于安全评估、漏洞挖掘、竞品分析和性能优化等多个领域。在应用场景上,游戏逆向尤为典型,涉及对Unity、Unreal Engine等不同引擎的解析。本文聚焦于游戏逆向的实战工具链,系统介绍了静态分析工具如IDA Pro与Ghidra在代码反编译中的作用,以及动态调试工具如Frida和Cheat Engine在运行时逻辑验证与数据修改中的应用,为安全研

400

Wifiphisher无线钓鱼攻防实战:原理、配置与防御策略详解

无线网络安全是网络安全领域的基础课题,其核心在于认证与加密机制。WPA/WPA2-Personal等认证协议通过预共享密钥保护网络接入,而恶意接入点攻击则利用协议弱点和社会工程学进行威胁。从技术原理看,攻击者通过创建伪造热点、发送解除认证帧迫使客户端重连,再诱导用户输入凭证,揭示了无线网络在身份验证环节的潜在风险。这种攻击在渗透测试和红队演练中具有重要价值,能有效评估网络与用户的安全意识。其典型应用场景包括公共Wi-Fi安全评估、企业无线网络防护能力测试等,自然引出了对Wifiphisher这一自动化钓鱼工

weixin_34059951的博客 294

企业级漏洞挖掘实战:从SRC入门到DevSecOps体系建设

漏洞挖掘是网络安全领域的核心实践,其本质是通过模拟攻击者行为,主动发现系统潜在风险。从技术原理看,它融合了信息收集、漏洞探测、风险评估等多个环节,旨在将安全防护从被动响应转向主动防御。在技术价值层面,有效的漏洞挖掘体系能显著降低企业安全风险,提升安全水位,并推动安全能力内化。当前,随着DevSecOps理念的普及,漏洞挖掘已深度集成到软件开发全生命周期,成为保障业务连续性的关键。在实际应用场景中,无论是通过SRC进行外部众测,还是在企业内部构建自动化安全测试流程,都离不开对常见漏洞模式(如SQL注入、越权访

weixin_30861797的博客 335

AI安全实战:从漏洞赏金计划看Claude Code攻击面与挖掘技巧

漏洞赏金计划是企业安全体系中重要的众测模式,通过激励白帽黑客发现并报告漏洞,以可控成本实现持续性安全审计。其核心原理在于利用全球研究员的集体智慧,弥补内部测试盲区,覆盖更广泛的攻击路径。在AI时代,这一模式的价值尤为凸显,因为大语言模型引入了提示词注入、训练数据泄露、模型越狱等全新的攻击维度。AI编程助手如Claude Code,因其直接生成并影响生产代码,其安全性直接关系到软件供应链安全。本文以Anthropic在HackerOne上启动的Claude漏洞赏金计划为切入点,系统剖析了针对AI系统的攻击面,

weixin_34208185的博客 402

Android SSL Pinning绕过实战:JustTrustMe完全指南与抓包分析

SSL/TLS证书验证是保障网络通信安全的核心机制,它通过数字证书链和加密握手流程,确保客户端与服务器之间的数据传输不被窃听或篡改。在移动应用开发与安全测试领域,理解这一原理对于调试API接口、分析数据流至关重要。然而,当应用采用SSL Pinning(证书绑定)技术时,它会将特定的服务器证书指纹硬编码在应用中,导致即使安装了合法的中间人证书,标准抓包工具也无法解密HTTPS流量,这给安全研究和开发调试带来了挑战。JustTrustMe正是为解决这一痛点而生的工具,它通过Xposed框架在运行时动态修改An

civtsbiqr522632413的博客 321

SRC漏洞挖掘实战指南:从信息收集到逻辑漏洞的完整攻防思维

在网络安全领域,漏洞挖掘是识别和利用系统安全缺陷的核心技术活动,其本质是一种系统性的工程思维。从原理层面看,它遵循着从攻击面发现到漏洞模式匹配的严谨逻辑,而非简单的随机测试。这项技术的核心价值在于帮助企业和组织提前发现潜在风险,提升整体安全水位。在应用场景上,无论是企业安全测试、渗透测试还是SRC(安全应急响应中心)漏洞众测,都需要建立从信息收集、攻击面测绘到漏洞验证的完整方法论。本文聚焦于SRC漏洞挖掘,通过详解逻辑漏洞等常见漏洞模式,并结合实战案例,系统阐述了如何将通用的安全测试思维应用于具体的业务场景

cqbh2011的博客 444

AI逆向工程师学习路线:从爬虫基础到智能Agent实战

在网络安全与数据采集领域,逆向工程是理解系统内部逻辑、分析数据流与协议的关键技术。其核心原理在于通过静态分析与动态调试,解析软件或网络应用的行为机制,从而复现或绕过其限制。随着AI大模型的兴起,传统逆向技术正与智能体(Agent)深度融合,催生出新一代技术范式。AI能够辅助工程师快速理解混淆代码、生成解密函数,甚至构建自适应网站变化的智能爬虫Agent,极大提升了逆向分析与数据采集的效率和智能化水平。这种融合技术尤其适用于复杂反爬策略应对、自动化安全测试及大规模数据采集等场景,为工程师提供了从基础爬虫到AI

weixin_34380948的博客 411

从零到一:掌握漏洞挖掘核心技能与实战路径

漏洞挖掘,即安全研究员在软件、系统或协议中寻找设计或实现缺陷的过程,其核心原理在于通过逆向思维、代码审计和逻辑分析,识别可能被恶意利用的安全薄弱点。这项技术的核心价值在于将技术能力直接转化为安全防护能力与经济效益,是“技术变现”的典型领域。在应用场景上,它广泛应用于企业安全众测、漏洞赏金计划以及主动安全防御体系建设。随着技术发展,自动化工具与AI辅助分析(如大模型辅助代码审计)正成为提升效率的新趋势,但理解系统、预判攻击路径的“猎人”思维依然是不可替代的核心。掌握从计算机基础、安全专业知识到工具使用的完整技

aikb6223的博客 418

PCIe 6.0实战指南:从链路训练到信号完整性的避坑手册

本文是一份针对PCIe 6.0硬件工程师的实战避坑指南。文章深入解析了从NRZ到PAM4调制带来的信号完整性挑战,详细拆解了链路训练(LTSSM)的复杂过程与调试方法,并提供了从信道仿真到实验室实测(如使用Keysight示波器进行眼图与误码率分析)的完整信号完整性闭环验证策略,帮助工程师解决高速率下的链路不稳定与降速问题。

weixin_29306875的博客 346

在 Coze 平台工作流开发中,使用图生视频大模型需要时间比较长比如5分钟,如何解决工作流运行超时的问题以及等在视频生成以后再向下走

在 Coze 平台工作流开发中,使用图生视频大模型需要时间比较长比如5分钟,如何解决工作流运行超时的问题以及等在视频生成以后再向下走 同步的比较简单,直接在coze 工作流里面就可以搞定了,也不用写代码之类的

AI懒虫 2358

RAG——从0到1快速搭建RAG应用

本文介绍了基于LangChain框架构建RAG(检索增强生成)应用的技术方案,涵盖核心模块选型与实现流程。技术栈包括:LangChain应用框架、pypdf文档解析、RecursiveCharacterTextSplitter文本分块、bge-small-zh-v1.5向量模型、Faiss向量库和通义千问大模型。文章详细说明了开发环境配置步骤,包括虚拟环境创建、依赖库安装和模型下载。核心代码分为索引、检索、生成三大流程,索引流程完成PDF文档解析、分块和向量化存储;检索流程实现查询向量化和相似度匹配;生成流

小志的博客 598

【通俗易懂】Windows系统安装TensorRT

NVIDIA TensorRT是一个由NVIDIA公司开发的用于深度学习推理的高性能SDK。它专门设计用于在NVIDIA GPU上进行高效的神经网络推理,能够大幅度提升深度学习模型的推理速度和效率。TensorRT的主要特点包括:模型优化:TensorRT通过层融合、精度校准、动态形状等技术优化模型,减少推理时的计算量和内存占用。多精度推理:支持多种精度推理,包括FP32、FP16、INT8等,以平衡性能和精度。

王尼莫的博客 1588

VASP能带计算避坑指南:从CHGCAR读取失败到成功解决的全过程

本文深度解析VASP能带计算中常见的“CHGCAR读取失败”报错,并提供从静态自洽到非自洽计算的全流程避坑指南。核心解决方案包括使用CONTCAR替代POSCAR、调整SYMPREC参数以处理对称性判定问题,并推荐利用vaspkit工具自动化生成输入文件,确保计算流程稳健高效。

weixin_29245767的博客 779

后仿真中《SDF反标必懂连载篇》之 <INTERCONNECT/IOPATH> 到底反标电路路径是哪里

对于SDF INTERCONNECT ENTRY 描述,我们在之前的文章有详解。读万卷书,行万里路。实践很重要。今天,搞一下SDF INTERCONNECT / IOPATH 延迟数据信息,究竟反标的是哪一路径延时?究竟在电路上一段段如何表现出延迟现象的呢?

那么菜的博客 2139

【Oracle】Oracle rman工具使用(真的细)

Oracle RMAN(Recovery Manager)是Oracle数据库备份和恢复的官方工具,它提供的备份和恢复功能非常强大和可靠。RMAN可以备份整个数据库或特定表空间、数据文件、控制文件和归档日志,同时还可以进行增量备份和增量恢复。RMAN还提供了诸如备份验证、备份优化、备份复制、备份集管理、恢复操作、自动备份、自动恢复等高级功能。它使用的备份和恢复格式是Oracle通用的备份集(Backup Set),这使得备份和恢复非常灵活和高效。

tttzzzqqq2018的博客 8506

柔性电极材料新突破:清华团队实现0.1mV级脑信号采集精度

清华团队的 0.1mV 级柔性电极突破,不仅是材料科学与神经工程的跨界胜利,更标志着脑机接口从 “信号采集” 向 “神经交互” 的范式转变。当电极与脑组织实现 “柔性共生”,人类首次拥有了窥探大脑微观电活动的 “精密探头”,这既是神经疾病诊疗的里程碑,更是人机融合时代的新起点。随着技术标准化与产业生态的完善,这场始于实验室的 “柔性革命”,正加速向临床病房、智能工厂、消费电子等场景渗透,为脑机接口的大规模应用铺设 “柔性跑道”。:当柔性电极实现 “神经信号的无损捕捉”,如何平衡技术创新与伦理边界?

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 2951

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: SO(10)大统一理论中的标量耦合增强机制解析
下一篇: DeepSeek模型本地部署与推理优化实战指南
hidetobj
博客等级 码龄19年 16粉丝 301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  | 博主筛选后可见
 
 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