Windows逆向工程实战:用Detours库Hook MessageBoxW的5个常见坑点(附解决方案)

Windows API拦截实战:Detours Hook原理、配置与监控应用 API拦截(Hook)是Windows系统编程中的一项关键技术,它允许开发者在运行时动态修改或监控函数行为,而无需修改原始二进制代码。其核心原理通常涉及修改目标函数入口指令,将执行流重定向到自定义函数,再通过“蹦床”(Trampoline)机制安全地调用原函数。这项技术在软件调试、性能分析、安全监控和功能扩展等场景中具有重要价值。例如,在遗留系统分析、第三方组件行为监控或运行时诊断等场景,无侵入式的API拦截能有效解决源码缺失或服务不可中断的难题。本文以微软开源的Detours库为例,深入解析其通过指令修改 阅读详情

Windows逆向工程实战:用Detours库Hook MessageBoxW的5个常见坑点(附解决方案)

1. 参数传递错误与调用约定陷阱

在Hook MessageBoxW时,开发者常犯的第一个错误是忽略Unicode/ANSI版本差异和调用约定匹配。Windows API中实际存在MessageBoxA(ANSI)和MessageBoxW(Unicode)两个版本,而Detours要求自定义函数必须与原函数保持完全一致的调用约定。

典型错误示例:

// 错误:调用约定不匹配(缺少WINAPI)
static int CustomMessageBoxW(HWND hWnd, LPCWSTR lpText, LPCWSTR lpCaption, UINT uType) {
    return OriginalMessageBoxW(hWnd, L"Hooked", lpCaption, uType);
}

解决方案:

// 正确:严格匹配原函数签名
static int WINAPI CustomMessageBoxW(
    _In_opt_ HWND hWnd,
    _In_opt_ LPCWSTR lpText,
    _In_opt_ LPCWSTR lpCaption,
    _In_ UINT uType) 
{
    // 必须校验指针参数有效性
    if (IsBadReadPtr(lpText, sizeof(WCHAR)) || IsBadReadPtr(lpCaption, sizeof(WCHAR))) {
        return IDCANCEL;
    }
    return OriginalMessageBoxW(hWnd, L"Hooked", lpCaption, uType);
}

关键检查点:

  • 使用WINAPI宏确保__stdcall调用约定
  • 通过IsBadReadPtr验证字符串指针有效性
  • 保持参数数量和类型完全一致

2. 递归调用与死循环问题

当Hook函数内部再次调用被Hook的API时,会触发无限递归。这是Detours新手最容易踩的坑:

// 危险代码:导致无限递归
static int WINAPI CustomMessageBoxW(...) {
    return MessageBoxW(...); // 又跳回CustomMessageBoxW
}

正确做法是使用原始函数指针:

// 安全方案:通过原始指针调用
static int (WINAPI *OriginalMessageBoxW)(...) = MessageBoxW;

static int WINAPI CustomMessageBoxW(...) {
    // 通过原始指针绕过Hook
    return OriginalMessageBoxW(...);
}

调试技巧:

  • 在x64dbg中设置条件断点:[esp+8]=="Hooked"
  • 观察调用栈深度是否异常增长

3. 线程安全与事务管理

Detours采用事务机制管理Hook状态,但多线程环境下不当操作会导致崩溃:

错误操作正确做法
直接修改Hook状态使用DetourTransactionBegin/Commit
跨线程更新Hook用DetourUpdateThread更新线程上下文
忽略错误码检查每个API返回的LONG值

完整的事务流程:

void SafeInstallHook() {
    if (DetourTransactionBegin() != NO_ERROR) {
        OutputDebugString(L"事务开始失败");
        return;
    }
    
    if (DetourUpdateThread(GetCurrentThread()) != NO_ERROR) {
        DetourTransactionAbort();
        return;
    }

    if (DetourAttach(&(PVOID&)OriginalMessageBoxW, CustomMessageBoxW) != NO_ERROR) {
        DetourTransactionAbort();
        return;
    }

    if (DetourTransactionCommit() != NO_ERROR) {
        // 记录错误日志
        DebugLog(L"事务提交失败: %d", GetLastError());
    }
}

4. 64位系统下的指针截断

在x64架构中,函数指针截断会导致灾难性后果:

// 32位安全但64位危险的代码
DetourAttach((PVOID*)&OriginalMessageBoxW, CustomMessageBoxW);

必须使用正确的指针转换:

// 跨平台安全写法
DetourAttach(&(PVOID&)OriginalMessageBoxW, CustomMessageBoxW);

内存布局对比:

架构指针宽度潜在风险
x864字节无
x648字节截断崩溃

验证方法:

  • 使用sizeof(PVOID)检查指针大小
  • 在x64dbg中观察寄存器值是否完整

5. DLL注入与生命周期管理

当通过DLL注入方式Hook时,需特别注意:

BOOL APIENTRY DllMain(HMODULE hModule, DWORD reason, LPVOID lpReserved) {
    switch (reason) {
    case DLL_PROCESS_ATTACH:
        // 错误:直接在此处安装Hook
        InstallHook(); 
        break;
    }
    return TRUE;
}

改进方案:

case DLL_PROCESS_ATTACH:
    DisableThreadLibraryCalls(hModule);
    CreateThread(NULL, 0, HookThread, NULL, 0, NULL);
    break;

DWORD WINAPI HookThread(LPVOID) {
    SafeInstallHook();
    return 0;
}

关键注意事项:

  • 避免在DllMain中执行复杂操作
  • 使用独立线程初始化Hook
  • 实现完整的卸载逻辑

实战调试演示

在x64dbg中分析Hook过程:

  1. 定位MessageBoxW入口:

    bp user32.MessageBoxW
    
  2. 观察跳转指令变化:

    Before Hook:
    77D111E4 | E9 17FEFFFF     | jmp user32.MessageBoxW
    
    After Hook:
    77D111E4 | E9 27A54B01     | jmp 01C2B710 (CustomMessageBoxW)
    
  3. 检查Trampoline函数:

    01C2B710 | 48 83 EC 38      | sub rsp,38
    01C2B714 | 45 33 DB         | xor r11d,r11d
    01C2B717 | FF25 E3180000    | jmp qword ptr ds:[01C2D000]
    

进阶技巧:热修复与动态Hook

对于需要动态更新的场景,可采用二级跳转策略:

// 动态跳转桩
BYTE jmpCode[14] = {
    0xFF, 0x25, 0x00, 0x00, 0x00, 0x00, // JMP [RIP+0]
    0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00 // 目标地址
};

void UpdateHook(LPVOID newTarget) {
    memcpy(&jmpCode[6], &newTarget, sizeof(newTarget));
    FlushInstructionCache(...);
}

性能优化建议:

  • 避免高频API的深度Hook
  • 使用最小化Hook作用域
  • 考虑使用硬件断点替代
Windows API Hook实战:从Inline Hook原理到C++实现与Detours应用 在Windows系统编程与软件安全领域,API拦截(Hook)是一项核心技术,它允许开发者在函数调用过程中插入自定义代码,实现对系统行为的监控与修改。其原理主要分为修改导入地址表的IAT Hook和直接覆盖函数机器码的Inline Hook两种方式。这项技术的核心价值在于为调试分析、安全监控、性能优化等场景提供了底层解决方案。通过理解内存保护、指令备份、蹦床函数等关键机制,开发者能够构建稳定的拦截系统。在实际工程中,微软Detours库封装了线程安全、指令修复等复杂细节,是生产环境的首选工具。本文以C++实 阅读详情

相关推荐

Windows API Hook入门:用Detours实现无侵入式函数拦截

API Hook是一种在用户态动态拦截和修改函数调用行为的技术,其核心原理是通过内存指令修补(如Inline Hook)重定向函数执行流。Detours作为微软开源的成熟库,封装了x86/x64指令编码、事务回滚、Hot Patch区适配与多线程更新等底层复杂性,显著降低Windows平台函数拦截的工程门槛。它无需修改源码或重启进程,即可实现对CreateFileW、Send等关键API的观测与增强,在性能分析、安全审计、兼容性补丁等场景中具备高技术价值。本文聚焦Detours的实操落地,覆盖编译集成、Ho

weixin_26804345的博客 175

Windows API Hook实战:用Detours库拦截MessageBoxW的5个常见坑点

本文深入探讨了使用微软Detours库Hook Windows API MessageBoxW时的5个常见问题及解决方案,包括事务管理、线程安全、函数指针还原、调用约定陷阱和DLL注入场景。通过实战代码示例和详细排查表,帮助开发者避免常见错误,提升Hook技术的稳定性和可靠性。

mango的博客 655

Windows程序Hook技术入门:从DLL注入到函数拦截实战指南

Hook(钩子)技术是程序行为分析与扩展的核心手段,通过在程序执行流程中插入自定义代码,实现对函数调用或事件处理的拦截、修改与增强。其原理主要基于内存地址替换或代码跳转,在Windows平台上常通过DLL注入或内存补丁实现。这项技术的工程价值在于为软件自动化、行为监控、安全审计及功能扩展提供了底层支持,广泛应用于自动化测试、辅助工具开发及安全研究等场景。例如,结合MinHook等轻量级库,开发者可以相对便捷地实现API拦截,而通过CreateRemoteThread进行DLL注入则是经典且基础的实践路径。本

weixin_30780649的博客 521

使用Detours进行HOOK

Detours是微软研究院开发的一款软件工具,用于Windows平台上的应用程序重定向和修改。它可以在运行时修改应用程序的执行路径,允许开发人员注入自定义代码来改变应用程序的行为,而不需要修改其源代码。Detours通常用于进行应用程序的跟踪、调试、性能分析以及行为修改等任务。Detours的工作原理是通过截取目标应用程序的API调用,然后将这些调用重定向到开发人员自己编写的代码中。

网络安全相关文章分享 1635

PolyHook2:现代C++ Hook框架实战,从原理到消息框拦截

Hook(挂钩)技术是软件调试、安全分析和逆向工程中的核心概念,它通过拦截并改变程序的执行流程来实现功能扩展或行为监控。其原理通常涉及修改目标代码或数据结构(如函数指针),将控制流转发到自定义处理函数。这项技术的核心价值在于能够在不修改原始程序源码的情况下,深入观察或改变其运行时行为,广泛应用于安全研究、性能剖析、软件兼容性修复及游戏修改等领域。PolyHook2作为一个现代C++(C++17/20)编写的开源Hook框架,通过封装内联Hook、虚函数表Hook等多种底层技术,提供了统一且类型安全的接口。本

aome1470的博客 390

逆向工程实战:VMP环境检测机制分析与补环境技术详解

在软件安全与逆向工程领域,环境检测与反检测是核心对抗技术之一。其原理在于目标程序通过检查系统特征、硬件信息、调试器痕迹等维度,判断自身是否运行在分析环境中。这项技术的价值在于保护软件知识产权、防止恶意分析,是软件保护方案的重要组成部分。应用场景广泛,包括商业软件保护、游戏反外挂、恶意软件分析等。本文以新版Reese84 VMP样本为例,深入剖析其多层次环境检测体系,涵盖调试器检测、虚拟机特征识别、系统行为画像等关键技术点。通过实战演示如何利用ScyllaHide、自定义API Hook等工具进行针对性对抗,

weixin_33755557的博客 434

使用detours 写windows hook函数

一、hook函数 基于windows消息处理机制的一个平台,windows维持一份钩子列表,消息来后,钩子函数优先被调用,调用结束后,还是会回到源函数中执行; 二、hook作用 修改逻辑、打印内存 ,便于逆向分析; 三、工具detours 简介 钩子函数框架,可以适合arm、16位、32位、64位的操作系统 ; 关注点:基地址、函数偏移、被勾函数的原型; 四、实现钩子:如果A....

生命不息 折腾不止 2544

C# EasyHook 实战:本地与远程 API Hook 最小 Demo 及避坑指南

API Hook 是一种在运行时拦截和修改函数调用的技术,常用于监控第三方组件行为、追踪调用链和排查资源泄漏。其原理是通过改写目标函数入口地址,将执行流重定向到自定义处理函数,再回调原始地址以保证功能透明。在 .NET 生态中,EasyHook 封装了注入与地址改写细节,使 C# 开发者无需深入 C++ detour 汇编即可实现用户态 Hook。该技术适用于上位机监控、串口组件行为分析、无侵入调用链追踪等场景。本文以 C# EasyHook 使用 demo 为主线,从本地钩子拦截 MessageBoxW

weixin_34006468的博客 394

运用Detours库hook API

一、Detours库的来历及下载: Detours库类似于WTL的来历,是由GalenHunt and Doug Brubacher自己开发出来,于99年7月发表在一篇名为《Detours: Binary Interception of Win32 Functions.》的论文中。基本原理是改写函数的头5个字节(因为一般函数开头都是保存堆栈环境的三条指令共5个字节:8B FF 55 8B EC)

zbc_vc的专栏 1204

再见 n8n?Google Opal 实测:一句话生成 APP,这才是 AI 的正确打开方式!

Google Opal深度评测:这款自然语言生成工作流的AI工具,通过三个实战案例(科技早报生成器、冰箱食谱助手、爆款文案转译机)展示了其零代码开发的强大能力。它凭借Gemini 3.0 Pro和Google生态的无缝集成,将自动化门槛降至新低,预示着一个“意图驱动开发”的新时代。

莫潇羽的个人博客 849

unity中基于NGUI实现一张图片上在某个地方挖个洞

按照策划的要求,引导时只有被引导的图片是高亮的,其余地方都是黑色半透明,如下图所示: 对应的实现shader如下: Shader "Unlit/TutorialBg" { Properties { _MainTex ("Base (RGB), Alpha (A)", 2D) = "black" {} _ClipRange0 ("Clip Vector

手机游戏开发 3698

使用x86的detours库编写hook-dll

#include "detours.h" #pragma comment(lib,"detours.lib") typedef HANDLE (WINAPI *HOOK_CreateFileW)(LPCWSTR lpFileName, DWORD dwDesiredAcces, DWORD dwShareMode, LPSECU

学习,思考,记录 994

硬件手册——PT100精密测温电路

PT100精密测温电路 一、需求分析 根据题目要求为:测温范围为0-100℃、测温精度要求为±1℃。由于铂电阻具有精度高、性能可靠、稳定性好的特点,且铂电阻的电阻相对变化率与温度的关系曲线线性度最好,故选择铂电阻作为敏感元件。而在国标中,铂电阻有几种不同的标准,如PT100、PT1000。分别对应着0摄氏度下铂电阻的阻值为100R和1000R,由于需要考虑铂电阻的自发热问题,所以尽量选择阻值小的铂电阻,故选择PT100为最终型号。 二、电路设计 2.1 热电阻接法 热电阻测温电路有多种接法,其中三线制会导致

weixin_41655430的博客 5万+

Detours库Windows API Hook

/如果成功,则返回NO_ERROR;否则,返回0。否则,返回错误代码。开始事务开始事务之后,程序可以调用或API HOOK目标函数,调用API恢复目标函数,或者调用API在事务更新中线程。在程序调用或API 提交事务之后,附加,分离和线程操作才会生效。或者,程序可以使用API 中止事务。_In_ HANDLE hThread //待处理事务更新线程的句柄//如果成功,则返回NO_ERROR;否则,返回0。否则,返回错误代码。由API 打开的事务提交时,使用指定的线程进行更新。

wtujoxk的博客 483

《QGIS快速入门与应用基础》【专栏完整目录】

《QGIS快速入门与应用基础》第一卷专栏完整目录,覆盖 001–328 全部篇目与附录,逐篇可跳转。

LuckyHanMo的博客 1304

【C语言学习疑难杂症】第20期:0x00007FF7F2821964处引发的异常0xC0000005写入位置 0x0000000000000

检查代码中是否存在野指针访问的情况,确保在进行写入操作之前,内存已经被正确分配或初始化,并且在使用完毕后进行了正确的释放。空指针访问:代码尝试在空指针地址(0x0000000000000000)处进行写入操作,导致访问冲突。检查代码中是否存在数组越界的情况,确保在进行写入操作之前,数组的索引值在合法范围内。检查代码中是否存在空指针访问的情况,确保在进行写入操作之前,指针已经被正确初始化。野指针访问:代码尝试在已释放或未初始化的内存地址进行写入操作,导致访问冲突。

学无止境 828

微软Detours Hook库编译与使用

Detours 是微软开发的一个强大的Windows API钩子库,用于监视和拦截函数调用。它广泛应用于微软产品团队和众多独立软件开发中,旨在无需修改原始代码的情况下实现函数拦截和修改。Detours 在调试、监控、日志记录和性能分析等方面表现出色,已成为开发者的重要工具。本章将指导读者编译并使用Detours库,通过实现...

weixin_41078901的博客 280

uniapp - H5网页uni.getLocation报错getLocation:fail Geolocation permission denied.Get ipLocation failed.

uni.getLocation getLocation:fail Geolocation permission denied.Get ipLocation failed.,uni.getLocation定位失败,uni-app getLocation()无法获取定位,一直fail()uniapp移动端h5网页,uniApp微信内置浏览器定位失败,如何解决这个问题,uniapp h5 uni.getLocation获取位置失败怎么办,UNI-APP获取当前位置,uni.getLocation定位失败,unia

🏆 前端领域优质创作者 4244

win7生成生成Detours.lib以及简单使用实例

转载地址:win7生成生成Detours.lib以及简单使用实例 - alex_ - 博客园 http://www.cnblogs.com/weiqubo/archive/2011/06/01/2065534.html Detours是微软开发的一个函数库,可用于捕获系统API。在用其进行程序开发之前,得做一些准备工作: 一.下载Detours      在http:/

lijun5635的专栏 1376

EPLAN 电气制图(六):电机正反转副勾主电路绘制

【插入】→【设备】→选择 “SIE.3RV2011-1AA15”(Q1)和 “SIE.1TL0001-1DB3”(M1),放置于图纸左侧。生成端子排 X3:【端子排导航器】→新建编号 “1-20”,部件 “PXC.3211814”,放置于电机上方,功能文本标注 “电机端子”。属性设置:双击结构盒,在 “显示设备标识符” 中输入位置代号(如 “+ 柜外”),并在 “格式” 选项卡中调整线型与颜色。实用技巧:勾选【选项】→【设置】→【图形的编辑】中的 “绘制带有空白区域的结构盒”,可使元件布局更清晰。

电工 2035

STM32F103VCT6+W5500 TCP 服务端通信

STM32F103VCT6 W5500的TCP连接通讯的程序

坚韧与专注 7821

编程c语言被windows拦截,C语言调用detours劫持WindowsAPI

本帖最后由 Git_man 于 2017-2-14 18:32 编辑00detoursdetours是微软亚洲研究院出品的信息安全产品,用于劫持可用Detours Express 3.0编译生成detours.lib01劫持MessageBoxW()vs2015创建空项目,源文件中添加msg.c把detours.h、detours.lib、detver.h文件复制到msg.c同目录下输入M...

weixin_39611765的博客 397

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

detours hook messagebox

Detours的安装:下载部分:1.直接在百度搜"detour",进对应的网站下载。2.或以下链接https://www.microsoft.com/en-us/research/project/detours/?from=http%3A%2F%2Fresearch.microsoft.com%2Fsn%2Fdetours安装部分:1.在对应的编译器找到终端。32位找到“VS2013 x86 本机...

泰瑞的博客 762

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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")

64位hook函数

/可以在hde32_disasm或hde64_disasm来断点查询长度。// 注意:更多功能请使用DetourHook,minhook。//备份源地址的地址数据,不是每个函数地址长度都是7或5,//为x64下创建一个在2GB范围内的上下标地址。

2301_80744428的博客 632

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

【一分钟学C++】Windows API Hook基本原理

windows api hook 原理

记录点滴,终成江河! 836

windows、linux劫持技术

windows系统下面可以利用detours劫持 realse  模式劫持,调试的程序不可以   函数劫持可以实现的效果。 函数的劫持原理 我们如何实现-detours   detours是微软亚洲研究院出品的信息安全产品,主要用于劫持。   detours根据函数指针改变函数的行为, 拦截任何函数,即使操作系统函数。 1.安装detours 2.构建库文件-n

吴英强的技术博客 2697
上一篇: 别再只会用RGBA了!Qt 5.14.2背景设计进阶技巧:渐变+透明度+边框一体实现
下一篇: Python小波变换实战:用wavedec2处理灰度图像高频低频系数(附Excel数据导入技巧)
糖果HTML
博客等级 码龄3年 76粉丝 1357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