第二十二讲 网络功能(二)

西电计科院计算机通信与网络期末考试考点汇总 博主是21级计科院的,计网93分,这是期末复习期间整理的笔记,基本全部涵盖期末考试重点范围,有需要的学弟学妹可以作为参考 阅读详情
<script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script>
  • 教 学 纲 要

    Java 为我 们 提 供 了 强 有 力 的 网 络 功 能 , 也 正 是 由 于 它 的 强 大 的网 络 功 能 的 支 持 , Java 才 得 到 大 家 如 此 的 青 睐 。 不 信 你去 试 试 , 开 发 类 似 的 网 络 程 序 用 其 他 编 程 语 言 比 用 Java 复 杂 得 多 。

    正 文


    通 过 URL 利 用 网 上 资 源

        Java 开 发 环 境 提 供 URL 类 是 为 了 我 们 更方 便 地 利 用 网 上 资 源 , 一 个 URL 类 创 建 的 对 象 就 代 表 了 某一 个 网 络 资 源 。 当 一 个 URL 对 象 建 立 好 后 , 我 们 就 可 以 比较 容 易 地 取 得 这 个 URL 位 置 的 数 据 。

        下 面 我 们 介 绍 两 种 简 单 的 通 过 URL 利 用网 上 资 源 的 方 法 , 通 过 URL 获 取 一 幅 图 象 , 通 过 URL 读 取网 络 资 源 的 数 据 。 如 果 有 兴 趣 , 你 可 以 修 改 下 面 的 程 序, 或 编 写 自 己 的 新 程 序 , 实 现 更 多 的 功 能 。

    送 你 一 幅 美 丽 的 图 片

        使 用 URL 可 以 给 我 们 带 来 网 络 上 美 丽 的图 象 。 想 知 道 方 法 吗 ? 其 实 这 样 的 例 子 比 较 多 , 因 为 这里 用 到 的 方 法 非 常 适 合 我 们 理 解 。

    程 序 19.4
    // images.java
    import java.awt.*; // 引 入 类 及 类 库
    import java.applet.Applet;
    import java.net.*;

    public class images extends Applet // 定 义 applet 主类
    {
        Image image;
        public void init( )
        {
        try{ // 异 常 处 理
        URL graphURL ; // 创 建 URL 对 象
        graphURL = new URL("http: // www.sun.com/datacenter/products/starfire/images/logo.gif ");
        image = getImage(graphURL); // 获 取 图 象
        }
        catch(MalformedURLException e)
        {
        System.out.println("MalformedURLException:" e);}
        }
        public void paint(Graphics g) // 定 义 方 法 paint( )
        {
        g.drawImage(image,0,0,200,200,this); // 显 示 图象
        }
    }

    其 HTML 文 件 如 下 :
    < HTML>
    < HEAD>
    < TITLE>class images < /TITLE>
    < /HEAD>
    < BODY>
    < APPLET CODE = "images.class"WIDTH = 300 HEIGHT = 200></applet>
    < /BODY>
    < /HTML>

        在 支 持 Java 的 网 络 浏 览 器 上 运 行 该 程 序, Java Applet 就 会 给 你 带 来 这 幅 美 丽 的 图 片 ( 图 19.2 ) :

    图 19.2 程 序 19.4 运 行 结 果

    方 法 drawImage( ) 的 参 数 分 别 代 表 什 么 ?
        是 由 类 java.awt.Graphics 定 义 的 , Graphics 类 定 义 了 四 种 drawImage( ) 方 法 , 我 们 选 择 了 其 中 的 一 种 :
        public abstract boolean drawImage(Image img,intx,int y,int width,int height,ImageObserver observer)
        其 中 img 表 示 要 显 示 的 图 象 ; ( x,y )表 示 图 象 显 示 位 置 的 左 上 角 的 坐 标 ; width 表 示 图 象 的 宽度 ; height 表 示 图 象 的 高 度 ; observer 表 示 用 于 实 现 ImageObserver 界 面 的 对 象 , 我 们 一 般 取 this 。

        程 序 结 构 很 简 单 , 首 先 在 方 法 init( ) 中创 建 一 个 URL 对 象 , 并 利 用 方 法 getImage( ) 获 取 图 象 , 然 后在 方 法 paint( ) 中 利 用 类 java.awt.Graphics 提 供 的 显 示 图 象 的方 法 drawImage( ) , 显 示 图 象 。

        如 果 我 们 把 这 个 Java applet 放 到 浏 览 器中 运 行 , 图 象 的 获 取 发 生 在 第 一 次 访 问 含 有 该 Java applet 的 主 页 , 只 要 不 退 出 浏 览 器 , 每 次 光 顾 这 个 主 页 时 , Java applet 只 完 成 显 示 图 象 的 过 程 。

        方 法 getImage( ) 是 在 哪 定 义 的 ? 为 什 么找 不 到 它 的 定 义 ?
        方 法 getImage( ) 并 不 是 在 Java applet 中 直接 定 义 的 , 类 java.applet.Applet 为 我 们 提 供 了 方 法 getImage( ) , getImage( ) 以 包 含 图 象 的 URL 地 址 作 为 参 数 , 获 取 网 络的 图 象 资 源 。

    通过 数 据 流 读 取 资 源 数 据

        我 们 与 网 络 上 的 文 件 就 像 我 们 与 住 在另 一 个 城 市 中 的 朋 友 一 样 , 我 们 要 拜 访 另 一 个 城 市 的 朋友 , 两 个 城 市 之 间 必 须 有 一 条 道 路 。 那 么 网 络 资 源 也 一样 , 我 们 要 访 问 网 络 资 源 , 就 得 先 在 我 们 的 机 器 与 资 源之 间 修 一 条 “ 路 ” , 也 就 是 建 立 一 条 通 信 链 路 。

        数 据 流 实 际 就 是 数 据 的 一 种 通 信 通 道, 包 括 数 据 的 起 点 和 终 点 。 例 如 我 们 要 把 网 络 上 的 资 源信 息 读 入 到 本 地 机 器 中 的 一 个 文 件 FILE1 中 , 那 么 如 图 19.3 所 示 , 信 息 的 通 道 就 是 一 个 数 据 流 , 它 的 起 点 是 网 络 资源 , 终 点 是 文 件 FILE1 。

    图 19.3 网 络 中 的 数 据 流

        简 单 的 读 出 资 源 数 据 可 以 由 方 法 openStream( ) 实 现 。 使 用 方 法 openStream( ) 可 以 将 资 源 数 据 转 化 为 数 据流 , 为 网 络 资 源 和 URL 对 象 之 间 建 立 一 条 通 信 链 路 。 下 面是 一 个 通 过 URL 使 用 网 络 资 源 的 例 子 :
    程 序 19.5
    // useURL.java
    import java.net.*; // 引 入 类 库
    import java.io.*;
    class useURL // 定 义 类 useURL
    {
      public static void main(String args[])
      {
      try
      {
      URL resource = new URL("http: //   www.javasoft.com/java/index.html"); // 创 建 URL 对 象
      String oneline; // 下 一 条 语 句 建 立 数 据 流
      DataInputStream stream = new DataInputStream(resource.openStream( ));
      while((oneline = stream.readLine( ))! = null) // 将数 据 一 行 行 读 入 , 存 入 字 符 串 oneline
      {System.out.println(oneline);} // 将 数 据 输 出 到屏 幕
      stream.close( ); // 关 闭 数 据 流
      }
      catch(MalformedURLException e){ // 异 常 处 理
      System.out.println("MalformedURLException:" e);}
      catch(IOException IOe){
      System.out.println("IOException:" IOe);}
      }
    }

        在 这 个 程 序 中 我 们 首 先 创 建 一 个 URL 对象 , 使 用 URL 类 提 供 的 方 法 openStream( ) 得 到 输 入 流 类 InputStream 的 对 象 。

        DataInputStram 是 由 包 含 在 java.io 中 的 一 种输 入 流 , 它 必 须 连 接 到 其 他 的 输 入 流 上 才 能 使 用 。 本 例中 我 们 通 过 下 面 的 语 句 将 它 连 接 到 InputStream 上 , 建 立 数据 流 : DataInputStream stream = new DataInputStream(resource.openStream( ));

        建 立 数 据 流 之 后 , 使 用 类 DataInputStream 提 供 的 方 法 readLine 从 文 件 中 一 行 行 地 读 出 数 据 , 返 回 值存 放 到 字 符 串 变 量 oneline 中 。 while 循 环 语 句 控 制 程 序 流程 , 读 出 一 行 , 在 屏 幕 上 输 出 一 行 , 直 到 文 件 结 束 , 用方 法 close( ) 关 闭 数 据 流 。

        运 行 程 序 useURL.java , 我 们 可 以 看 到 文件 的 内 容 一 行 一 行 地 显 示 到 屏 幕 上 。

    小 结

        Java 为 我 们 提 供 了 强 有 力 的 网 络 功 能 ,我 们 在 这 里 只 讨 论 Java 的 一 些 简 单 的 网 络 功 能 , 主 要 介绍 以 下 几 个 方 面 的 内 容 :

    • URL 的 结 构 有 一 定 的 规 律 性 , 由 传 输 协 议 和 资源 名 称 两 部 分 组 成 , 中 间 用 “ : // ” 分 隔 开 。
    • Java 语 言 提 供 了 URL 类 java.net.URL , 为 我 们 使 用 URL 访 问 网 络 资 源 定 义 了 许 多 方 法 。
    • URL 类 有 四 种 构 造 方 法 , 我 们 可 以 根 据 需 要 选择 其 中 一 种 。
    • URL 类 提 供 了 许 多 简 单 地 方 法 : 获 取 URL 信 息 ,将 URL 的 内 容 转 成 字 符 串 以 及 比 较 两 个 URL 的 数 据 等 方 法, 通 过 例 程 序 我 们 可 以 很 清 楚 地 了 解 它 们 的 使 用 方 法 。
    • 本 章 我 们 只 介 绍 了 简 单 地 通 过 URL 类 访 问 网 络资 源 的 方 法 , 类 java.applet.Applet 提 供 的 方 法 getImage( ) 能 够利 用 URL 对 象 获 取 网 络 上 的 图 象 。 读 取 网 络 资 源 数 据 之 前, 建 立 数 据 流 。

     

网络运行安全 第三十一条 国家对公共通信和信息服务、能源、交通、水利、金融、公共服务、电子政务等重要行业和领域,以及其他一旦遭到破坏、丧失功能或者书籍泄露,可能严重危害国家安全、国计民生、公共利益的关键信息基础设施,在网络安全等级保护制度的基础上,实行重点保护。第二十四条 网络运营者为用户办理网络接入、域名注册服务,办理固定电话、移动电话等入网手续,或者为用户提供信息发布、即时通讯等服务,在与用户签订协议或者确认提供服务时,应当要求提供真实身份信息。网络产品、服务的提供者应当为其产品、服务持续提供安全维护; 阅读详情

相关推荐

从Delphi 7到Delphi 10.4.1的代码迁移:关键挑战与实用解决方案

本文详细探讨了从Delphi 7升级到Delphi 10.4.1进行代码迁移的关键挑战与实用解决方案。核心内容包括应对Unicode字符串处理、64位数据类型变化、VCL/FMX界面框架选择、第三方组件迁移以及数据库层现代化改造(如从BDE迁移至FireDAC)。文章为开发者提供了系统的迁移前准备、核心问题攻克策略及测试落地指南,旨在帮助团队高效、平稳地完成系统现代化升级。

weixin_29250403的博客 534

第二十二讲 延迟定理(补充)

八,计算: 已知 因为当时,,因此可以用延迟定理 根据延迟定理1: 同理: 因此 九,计算: 因为当时,,因此可以用延迟定理 根据延迟定理2: 因此 图像见视频35:00~36:40 十,计算: 当表达式中存在指数时,如,就要用到逆变换的唯一性: 利用延迟定理1: 因此 当时,, 当时,, 结果 ...

小访客的博客 3516

Field II 超声相控阵仿真系列:多角度平面波相干合成提升成像质量

本文深入探讨了Field II超声相控阵仿真中,如何通过多角度平面波相干合成技术提升成像质量。针对单次平面波成像对比度与分辨率不足的问题,详细解析了从探头建模、多角度发射延时计算到回波数据相干合成的完整流程,并提供了关键参数调优建议,以实现图像质量与计算效率的平衡。

weixin_29284885的博客 259

J2EE的客户端

google_ad_client = "pub-8800625213955058";/* 336x280, 创建于 07-11-21 */google_ad_slot = "0989131976";google_ad_width = 336;google_ad_height = 280;//<script type="text/java

java专栏 365

CFturbo 2024保姆级教程:从流量扬程到三维叶轮,手把手搞定离心泵水力设计

本文提供CFturbo 2024离心泵水力设计的全流程实战指南,从流量扬程参数输入到三维叶轮模型导出,详细解析设计步骤与优化技巧。涵盖叶轮尺寸确定、子午面型线设计、叶片角度调整等关键环节,帮助工程师高效完成CAE辅助的离心泵水力设计,提升设计质量与效率。

weixin_42569329的博客 940

【嵌入式】树莓派部署NCNN的YOLOv5模型

树莓派部署NCNN框架的YOLOv5模型

Ace_Spade的博客 3785

参数传递过程中的中文问题

google_ad_client = "pub-8800625213955058";/* 336x280, 创建于 07-11-21 */google_ad_slot = "0989131976";google_ad_width = 336;google_ad_height = 280;//<script type="text/java

java专栏 365

intel-VROC raid卡驱动 centos7.9

u盘进入系统,按e,在出现下面在quiet前面输入inst.dd initcall_blacklist=vmd_drv_init 后按Ctrl和x,开始引导。进入系统,按e,在出现下面在quiet前面输入inst.dd inicll_blacklist=vmd_drv_init 后按Ctrl和x,开始引导。驱动完成后,在输入 c 回车, 引导过程开始,进入安装界面。输入1 ,选择这个ISO驱动文件里的rpm包。输入1 ,选择这个ISO驱动文件里的rpm包。vi编辑 /etc/default/grub。

dacming的博客 4546

第二十二讲 延迟定理

一,单位阶跃函数: 如图:,它有三个定义: 设为单位阶跃函数,那么表示单位阶跃函数向右平移a个单位,如图: 二,单位方框函数: 如图: 意义:去掉了在区间以外的部分。 三,单位阶跃函数的拉普拉斯变换: 因为当时,,所以: , (查表) 四,逆变换的唯一性: 如图: 因为拉普拉斯变换只关注这段区间,所以在这段区间内相等的函数,变换后的结果相等(无法区别)...

小访客的博客 1万+

【误码率仿真】基于matlab 小波变换OFDM误码率仿真

其中,与传统的 OFDM 相比,小波变换 OFDM 在进行调制和解调时,使用的是小波变换函数。需要注意的是,由于小波变换函数将频域信号转换为时域信号,因此与传统 OFDM 不同,小波变换 OFDM 中的信号需要在时域上添加循环前缀。与传统的 OFDM 不同,小波变换 OFDM 使用小波函数作为基函数,而非正弦函数作为基函数,因此可以在保持子载波正交性的同时,让子载波之间的带宽变得更加均匀。在频域进行信号加权,然后进行小波逆变换,得到时域信号。在接收端进行信号接收,去掉循环前缀并进行小波变换得到频域信号。

Fanjufei的博客 665

2026华为OD机试(JavaScript)真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录,JavaScript实现。

MISAYAONE的博客 8万+

cernet 2015年会征文

 http://www.cernet2015.edu.cn 征文通知 中国教育和科研计算机网CERNET将于2015年11月9日~12日在江西南昌举办CERNET第二十二届学术年会。会议由中国教育和科研计算机网CERNET管理委员会主办,CERNET网络中心、CERNET专家委员会,江西省教育厅协办,南昌大学承办。 本次会议的主题是“网络空间安全保障教育信息化”。会

wuabc 1073

【ArcGIS Pro微课1000例】0065:制作千层饼多图层叠加效果

右键dem图层,点击符号系统,在右侧的符号系统窗口中,选择拉伸,勾选【显示名称】和【显示全部】,选择高程色带7。由于数据具有高程源,因此可以将数据进行三维显示。右键地面→添加高程源图层。打开ArcGIS PRo,新建一个局部场景,命名为千层饼。设置了高程源数据之后,千层饼一下子就变成了三维形状。数据默认都是在一个平面上,以默认的符号系统显示。到此为止,每个图层均为平面的千层饼已经做好了。将TIN图层的高程偏移设置为-1000。最后将等高线的高程设为2000.移除工程默认加载的图层。默认即可,不需要做修改。

智慧空间实验室 1157

面对法律,开源应负什么安全责任

本文主要考虑两个法律,我国的《网络安全法》¹(以下简称网安法)和欧盟的《网络韧性法案》(以下简称CRA,欧盟议会修正案版本²),另外,还会涉及我国的《网络产品安全漏洞管理规定》³(以下简称漏洞管理规定)。本文主要就以下几个问题做讨论:【问题1】 在开源产生之日起就有“开源开发者免责” 还能否、或在何种程度上行得通?【问题2】开源项目是否要适用网络安全相关法律?特别是发现安全漏洞是否要履行上报义务?...

开源社KAIYUANSHE的博客 932

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

突发!阿里巴巴公开超系统的“Docker学习笔记”,GitHub上好评连连、下载量惊人!

前言 “Docker”是一个开源的应用容器引擎,通俗来讲的话,可以比喻说有一艘大货船,船上有许多的集装箱用来装货物,然后每个集装箱装不同类别的货物,这样每个集装箱互不干涉的同时,一艘货船又可以一起运走很多不同类目的货物,Docker就可以比喻成是集装箱。 Docker差不多就是这样的概念,Docker的概念图是一条蓝色的鲸鱼,非常的可爱,非常的惹人喜欢,连我这个老程序员都甚是喜欢这个概念图,同样,Docker也和它的概念图一样深受一线互联网企业的青睐,所以对Docker的掌握是身为程序员必备的。 大

weixin_51954021的博客 861

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")

第26章、Linux 核心编译与管理

26.1. 编译前的任务:认识核心与取得核心原始码 我们在第一章里面就谈过 Linux 其实指的是核心!这个『核心 (kernel)』是整个操作系统的最底层,他负责了整个硬件的驱动,以及提供各种系统所需的核心功能,包括防火墙机制、是否支持 LVM 或 Quota 等文件系统等等,这些都是核心所负责的!所以在第二十章的开机流程中,我们也会看到 MBR 内的 loader 加载核心档案来驱动整个系统...

kk53976047的博客 514

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。

还不懂“Docker”?阿里公开最为系统的Docker学习笔记 首次分享!速来下载

前言 “Docker”是一个开源的应用容器引擎,通俗来讲的话,比喻说有一艘大货船,船上有许多的集装箱用来装货物,然后每个集装箱装不同类别的货物,这样每个集装箱互不干涉的同时,一艘货船又可以一起运走很多不同类目的货物,Docker就可以比喻成是集装箱。 Docker差不多就是这样的概念,Docker的概念图是一条蓝色的鲸鱼,非常的可爱,非常的惹人喜欢,连我这个老程序员都甚是喜欢这个概念图,同样,Docker也和它的概念图一样深受一线互联网企业的青睐,所以对Docker的掌握是身为程序员必备的。 .

bieber007的博客 511

突发!超系统的“Docker学习笔记”,学习docker有它即可

Docker”是一个开源的应用容器引擎,通俗来讲的话,可以比喻说有一艘大货船,船上有许多的集装箱用来装货物,然后每个集装箱装不同类别的货物,这样每个集装箱互不干涉的同时,一艘货船又可以一起运走很多不同类目的货物,Docker就可以比喻成是集装箱。Docker差不多就是这样的概念,Docker的概念图是一条蓝色的鲸鱼,非常的可爱,非常的惹人喜欢,连我这个老程序员都甚是喜欢这个概念图,同样,Docker也和它的概念图一样深受一线互联网企业的青睐,所以对Docker的掌握是身为程序员必备的。

jjc4261的博客 121

信息安全工程师--网络运行安全

国家对公共通信和信息服务、能源、交通、水利、金融、公共服务、电子政务等重要行业和领域,以及其他一旦遭到破坏、丧失功能或者数据泄露,可能严重危害国家安全、国计民生、公共利益的关键信息基础设施,在网络安全等级保护制度的基础上,实行重点保护。网络运营者为用户办理网络接入、域名注册服务,办理固定电话、移动电话等入网手续,或者为用户提供信息发布、即时通讯等服务,在与用户签订协议或者曲儿提供服务时,应当要求用户提供真实身份信息。明知他人从事危害网络安全的活动的,不得为其提供技术支持、广告推广、支付结算等帮助。

weixin_44723534的博客 187

日薪过万!揭秘护网行动高薪真相:红蓝对抗背后的财富密码

HW行动的核心形式为​​红蓝对抗​​,模拟真实网络攻防场景以检验防御体系的实战能力

2302_81945070的博客 1228

Linux学习之路(持续补充中......)

基于多种资料总结。如有类同,请联系我。

m0_55753482的博客 941

五十三.网络(3)--区块同步getblocks消息

在节点互发了version消息后,就会发送getblocks消息,请求对方的区块以进行同步。

d3582077的专栏 202

DPU安全组与ACL性能测试:从规则爆炸到线速卸载的实战指南

本文深入剖析DPU安全组与网络ACL的底层卸载架构,通过两个完整实战测试矩阵,量化评估规则复杂度、有状态连接跟踪(Conntrack)及OVS Offload协同对RoCEv2性能的影响。结合真实故障排查案例与工具输出矩阵,揭示大规模云环境中安全组性能跌落的根因,并给出基于规则聚合与硬件表项优化的最优配置指南。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 361

AI 芯片片上网络 NoC 深度解析:flit、虚通道与拥塞控制如何决定 GPU/TPU/LPU 的算力利用率

AI芯片算力瓶颈不在FLOPS,而在片上网络(NoC)——数据搬运的能耗与延迟决定MFU上限。物理限制下,长线延迟不随工艺缩小,迫使NoC将全局布线拆为可流水的短链路;能量账显示,一跳传输耗能可达数十次乘加操作。拓扑选择直接影响性能:二维mesh虽布线可行,但均匀流量下每节点可用带宽按1/√N衰减,实测仅达标称值30%。虚通道、双网设计、静态调度(如Groq)等技术旨在突破此瓶颈。从总线到crossbar再到多跳NoC,本质是用延迟换可行性。未来趋势:专用通路(脉动阵列)、晶圆级集成(Cerebras)、跨

我的博客 125

网安产教融合思考:如何补齐高校实战能力评价短板

不少网安专业高校都面临这样现实的难题:网安人才培养持续推进,校内已经搭建完整的教学体系,但高校培养方案可能几年修一次,企业的技术栈和攻击手法却按季度在变,学校难落地最新的技术实战教学,学生难证明实战本领,企业一边喊人才紧缺,一边感慨招不到来了就能干的应届生。网安时代,实战为王。备考平台、7天免费直播培训、免费认证考试,期待更多高校加入 CCP 人才共育生态,组织本校学子参与本轮认证,以认证带动教学,以实战对接就业,共同为行业培养 “用得上、干得好” 的实战型网络安全人才。本次报名、培训、考试全程免费,

A19911511842的博客 199

台湾行情数据API接入教程

想用程序获取台股行情,很多人第一步会搜“台股资料 API 推荐”,结果发现选择不少:证交所有免费接口,Yahoo Finance 也能查,券商还有自己的 API。真正写代码时才发现,有的数据只到收盘,有的延迟 20 分钟,有的必须先开户。本文先梳理台湾行情数据的几种获取渠道,再用 Python 从零搭一个可以运行的台股数据脚本:查代码清单、取实时报价和盘口、拉历史K线、做复权、用 WebSocket 接收实时推送,最后结合台积电 ADR 和新台币汇率计算跨市场溢价。

qq_34102871的博客 328
上一篇: 第二十三讲 面向对象的例外处理
下一篇: 第二十讲 动画制作及声音载入(三)
java169
博客等级 码龄19年 27粉丝 2568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