解决Vmware vCenter 7.0存储卷文件上传失败:浏览器证书信任问题全解析

vsphere6.5 vcenter上传文件至数据存储操作失败解决:操作失败,由于不确定的原因,不信任证书(实操) 阅读详情

1. 问题重现:那个让人头疼的“不确定原因”错误

如果你正在管理一个VMware vCenter 7.0的环境,并且尝试通过浏览器(比如Edge)上传一个ISO镜像或者虚拟机模板到数据存储卷,那么下面这个场景你可能再熟悉不过了:你熟练地打开vCenter的Web客户端,导航到存储视图,选中一个数据存储,点击“上传文件”,然后满怀期待地选择好本地的文件。就在你以为一切顺利的时候,浏览器弹出了一个令人沮丧的提示框:“由于不确定的原因,操作失败。通常,此问题是由于浏览器不信任证书引起的……”

这个“不确定的原因”,其实在绝大多数情况下,原因非常确定——就是浏览器和你vCenter服务器之间的“信任危机”。我遇到过太多次了,尤其是在新部署的环境,或者vCenter服务器使用了自签名证书、内部私有证书颁发机构(CA)签发的证书时,这个问题几乎必然会出现。浏览器,特别是像Edge、Chrome这些现代浏览器,对HTTPS连接的安全性要求非常严格。当它们连接到你的vCenter(比如 https://vcenter.yourcompany.com)时,会检查服务器提供的SSL/TLS证书。如果这个证书不是由浏览器内置信任列表中的“根证书颁发机构”签发的,浏览器就会亮起红灯,认为这个连接不安全。

那么,为什么登录vCenter管理界面时,浏览器只是显示“不安全”的警告,你点一下“高级”->“继续前往”还能进去,而上传文件到存储卷时就直接失败了呢?这里有个关键区别。登录管理界面,是浏览器与vCenter的Web服务进行交互。而上传文件到存储卷这个操作,通常涉及到一个更深层的、用于文件传输的API端点。浏览器在向这个特定端点发起请求时,会执行更严格的证书验证。如果证书不被信任,浏览器会直接阻止这个请求,而不是给你一个“继续”的选项,从而导致操作彻底失败。这就像你去一个高级俱乐部,进门时保安看你眼生,可能盘问两句就放你进去了(登录界面),但当你试图进入后台的VIP仓库区时(文件上传API),没有内部通行证(受信任的证书),他会直接把你拦在门外,连商量的余地都没有。

所以,这个错误的本质,是浏览器安全策略在保护你,防止你的数据在传输过程中被潜在的“中间人”窃取或篡改。虽然初衷是好的,但在我们可控的内部环境里,它就成了一个需要手动解决的“小麻烦”。解决思路也很清晰:既然浏览器不信任vCenter的证书,那我们就手动告诉浏览器——“这个家伙我认识,是可信的”。接下来,我们就一步步把这个“信任关系”建立起来。

2. 追根溯源:为什么浏览器不信任你的vCenter证书?

要彻底解决问题,我们得先弄明白证书信任是怎么一回事。你可以把数字证书想象成一个人的“数字身份证”。vCenter服务器就像一个人,它需要向所有来访者(浏览器)出示它的身份证(服务器证书),来证明“我就是 vcenter.yourcompany.com 这个网站,不是别人冒充的”。这张身份证必须由一个公认的、权威的“公安局”(证书颁发机构,CA)签发,大家才认。

在互联网上,像DigiCert、GlobalSign、Let‘s Encrypt这些就是全球公认的权威“公安局”。你的操作系统(Windows、macOS)和浏览器(Edge、Chrome)出厂时就内置了一份这些权威机构的名单(称为“受信任的根证书存储”)。当浏览器收到vCenter的证书时,它会做两件事:第一,检查证书上的签发者(公安局)是不是在自己信任的名单里;第二,用这个签发者的“公章”(公钥)去验证证书上的“防伪签名”是不是真的。

问题就出在这里。很多vCenter部署,尤其是在测试、开发或中小型内部环境中,出于成本或简便性考虑,并没有购买商业CA签发的证书。而是采用了两种方式:自签名证书或私有CA签发的证书。

  • 自签名证书:这就好比vCenter自己给自己造了一张身份证,自己当了自己的“公安局”。浏览器一看,签发者是个从来没听说过的机构,自然立刻标记为不可信。
  • 私有CA证书:很多企业会自己在内部搭建一个CA服务器(比如用Windows Server的AD证书服务,或者OpenSSL搭建的CA),给内部所有服务器签发证书。这个内部的“公安局”
VMware VCenter存储上传镜像文件失败的证书信任问题解析 本文深入解析了在VMware vCenter环境中上传镜像文件到共享存储时,因SSL/TLS证书不受信任而导致操作失败的常见问题。核心原因在于客户端(浏览器或vSphere Client)不信任vCenter服务器使用的自签名或私有CA证书。文章提供了从获取根CA证书到在Windows、macOS、Linux等客户端操作系统中将其安装至“受信任的根证书颁发机构”的完整实战步骤,并探讨了使用公共CA证书或通过组策略部署私有CA等根本解决之道,旨在帮助管理员彻底解决此类证书信任问题,确保存储上传等操作顺畅无阻。 阅读详情

相关推荐

解决VMware VCenter存储上传镜像文件失败

VCenter上传镜像文件。由于不确定的原因,操作失败。通常,当浏览器不信任证书时会发生此问题。如果您使用的是自签名证书或自定义证书,请在新的浏览器选项卡中打开下面的 URL并接受证书,然后重试操作

m0_64423407的博客 4377

Vmware vCenter 7.0上传文件至存储卷:提示不信任证书,导致无法上传

故障现象: Edge浏览器浏览器上传镜至vcenter 7.0 存储卷,提示:由于不确定的原因,操作失败。通常,此问题是由于浏览器不信任证书引起的。如果您使用的是自签名证书或自定义证书,请在一个新的浏览器选项卡中打开以下 URL 并接受证书,然后重试此操作。 解决办法: 1)登录https://vcenter.com //也就是vcenter管理页面 2)解压CA证书,即可获得linux/win/mac三个版本的CA签名证书 3)将证书导入浏览器,我使用的是windows系统的Edge浏览器,使用wi

Arlo的博客 1万+

解决Vmware vCenter 7.0存储卷上传失败:浏览器证书信任问题全解析

本文详细解析了Vmware vCenter 7.0存储卷上传失败问题,指出浏览器证书信任是主要原因。通过分步指导如何获取、导入和验证CA证书,解决Edge、Chrome和Firefox等浏览器的兼容性问题,并提供常见错误排查与最佳实践建议,帮助管理员高效解决证书信任导致的存储卷上传故障。

weixin_30879169的博客 457

从VMware Workstation迁移到ESXi 7.0:突破虚拟机数量限制的实战指南

虚拟化技术是现代IT基础设施的核心,它通过软件模拟硬件环境,实现计算资源的抽象、池化和灵活分配。其原理是在物理硬件之上运行一个虚拟化管理程序(Hypervisor),允许多个虚拟机(VM)共享CPU、内存、存储等资源。这项技术的核心价值在于提升硬件利用率、简化管理、增强业务灵活性和实现快速部署。在开发测试、服务器整合、桌面虚拟化及构建私有云等场景中,虚拟化都是基石技术。本文聚焦于从桌面级的VMware Workstation Pro向企业级裸机虚拟化平台VMware ESXi 7.0的迁移实践,旨在解决开发

weixin_33827590的博客 1369

VCSA存储服务故障排查:VCLS服务异常导致虚拟机操作失败的实战修复指南

在虚拟化环境中,vCenter Server Appliance(VCSA)作为集中管理平台,其底层服务的稳定性直接关系到虚拟机生命周期管理的顺畅。核心服务vSphere Lifecycle Manager(VCLS)负责处理主机基准、镜像及存储协调等关键任务,其正常运行依赖于VCSA内部的嵌入式存储后端,主要包括vPostgres数据库和特定文件系统目录。当磁盘空间耗尽、数据库异常或服务间通信故障时,VCLS服务会出现异常,表现为通过vSphere Client执行创建或删除虚拟机等存储相关操作时任务卡死

weixin_30918633的博客 344

私有云项目管理工具选型:深度集成IaC与合规审计的7款实战对比

私有云项目管理已超越传统任务跟踪,演进为融合基础设施即代码(IaC)、实时资源感知与等保合规审计的技术中枢。其核心原理在于将虚拟机、K8s集群、网络策略等基础设施状态作为工单上下文,通过API直连vCenter/OpenStack/Kubernetes实现变更闭环,并原生支持Terraform/Ansible解析、审计日志溯源与多环境冲突预警。技术价值体现在降低87%非技术性延期、满足等保三级/ISO27001对操作日志的强制要求,并支撑金融、医疗、政务等高合规场景的自动化交付。本文聚焦禅道、Azure D

weixin_34095889的博客 414

OpenClaw双平台部署:ESXi与QNAP混合虚拟化实战指南

OpenClaw是一种面向自动化运维的可编程技能执行引擎,本质是Linux Shell的智能增强层,支持自然语言意图解析、多步骤状态追踪与跨服务协调。其核心价值依赖隔离式技能沙盒,因此必须运行在虚拟化环境中以保障资源可控、故障不扩散、日志可追溯。在企业混合基础设施中,ESXi承载高稳定性计算负载,QNAP Virtualization Station则适配轻量级自动化服务,二者通过统一Ubuntu基座、共享NFS技能仓库与标准化配置实现协同。本文聚焦OpenClaw在双平台下的生产就绪部署——涵盖UEFI/

a1311010193的博客 449

【信息科学与工程学】【安全领域】 第八十八篇 网络空间安全21

如果员工认为安全政策和流程(如复杂的密码规则、频繁的认证、繁琐的软件安装审批)阻碍了工作效率,他们可能会寻找变通方法,例如:写下密码、共享账户、使用未经批准的云服务(影子IT)、绕过安全控制。例如,一个用于显示用户列表的API,可能返回每个用户的完整个人资料,包括邮箱、地址、电话等敏感字段,而前端可能只显示了姓名。:在OAuth 2.0或OIDC流程中,攻击者可能截获授权请求中的“授权码”,或窃取“访问令牌”,然后将其用于另一个客户端(非原始授权的客户端),从而以用户身份访问受保护的资源。

weixin_49199313的博客 449

大厂高级系统运维工程师经典面试题合集

正确答案: A解析 HCI 是计算、存储、网络融合部署,不是分离部署。正确答案: C解析 对于非最后一个分区的扩容,直接使用 virt-resize 可能导致分区表混乱。推荐使用 qemu-nbd 将镜像挂载为本地设备,再用 GParted 图形工具安全调整分区。回答正确 正确答案: B 你的答案: B解析 Docker Compose 的核心是通过单一 YAML 文件定义单机多容器应用的服务、网络、数据卷。

悦分享 77

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营06

13 | 司法诉讼 | 原告律师 | 争取和解优势 | 证据披露的序贯博弈 | 策略性证据释放 | 持有证据集E = {强证据e_s, 中证据e_m, 弱证据e_w}。设公众原有认知人格向量为 Pold​​=(p1​,p2​,...,pk​), 其中p_i为负面特质(如“不敬业”)。危机后, 通过行为序列 {At​}和宣传, 将公众认知向新向量 Pnew​​引导, 使得在关键维度上, Pnew​​与 Pold​​的余弦相似度降低, 并与一个正面的、可接受的“原型”(如“浪子回头”、“慈父”)对齐。

weixin_49199313的博客 1490

DellEMC定制版ESXi 6.7镜像安装与驱动排查实战指南

在虚拟化平台部署中,服务器操作系统的安装往往不只是选择镜像那么简单,硬件驱动兼容性往往是决定成败的关键。ESXi作为主流的企业级虚拟化Hypervisor,其安装过程要求底层存储与网络设备能被正确识别,否则极易出现找不到磁盘或网络适配器缺失的问题。针对戴尔PowerEdge服务器,官方提供了内置PERC阵列卡驱动、网卡驱动及OpenManage组件的DellEMC定制版ESXi 6.7镜像,大幅降低了驱动匹配的门槛。理解其版本构成,掌握U盘烧录、UEFI引导、VIB验证等操作,是快速搭建稳定虚拟化环境的基础

weixin_34417183的博客 318

华为FusionCompute v100R003C00 实操配置与故障排查指南

虚拟化平台是现代数据中心的核心底座,其配置逻辑远非简单界面操作,而是涉及计算、存储、网络三要素的强依赖协同。理解 FusionCompute 的分层架构(CNA/VRM/UVP)、存储多路径机制、DVS 网络绑定规则及异步状态校验原理,是保障虚拟机稳定启停与IO可靠性的技术前提。本文聚焦华为 FusionCompute v100R003C00 版本,结合金融级生产环境真实案例,详解裸金属初始化、LUN 映射验证、心跳超时调优、日志交叉定位等关键实践,覆盖从集群纳管到模板克隆的全链路运维要点,助力工程师将配置

weixin_34326558的博客 396

博途的HMI(触摸屏)的应用

触摸屏(HMI):用于控制PLC,可认为是小型上位机(用于控制PLC的都可认为是上位机)上位机(PC Station):将触摸屏升级为电脑----工控机(工业控制的机器)用博途编写西门子的触摸屏和上位机。

王阿妹小天才的博客 2681

M2DGR数据集在一些SLAM框架上的配置与运行:ORB-SLAM系列、VINS-Mono、LOAM系列、FAST-LIO系列、hdl_graph_slam

为了说明以上这些SLAM框架的测试与数据集适配,以M2DGR数据集为例进行各自的配置与运行,方便我以后适配自己的数据集,运行的SLAM框架包括:ORB-SLAM2、ORB-SLAM3、VINS-Mono、A-LOAM、LeGO-LOAM、LIO-SAM、LVI-SAM、FAST-LIO2、FAST-LIVO、Faster-LIO、hdl_graph_slam。实验基于Ubuntu20.04,其中ORB、VINS-Mono、和LOAM系列的安装参考我以前的博客,有详细的安装方法,其他的框架在后面会简单介绍一下

zardforever123的博客 1万+

使用kali对局域网内的主机进行远程控制

输入命令:hydra -l administrator -P/usr/share/woerdlists/rockyou.txt 192.168.100.241 smb -V。账户(adminitrator)密码:123456 【一般账户都是我们知晓了,如果不知道账户进行破解那几乎不太可能,密码如果设置的特别复杂无规律也是特别难破解的】【-r:扫描整个网段 后面就是设置 192.168.241.100/24的网络地址段 为 192.168.241.0/24 0和/24之间不要空格】

2301_77599769的博客 2281

Qwen3-Omni-30B-A3B-Instruct微调指南:如何打造专属智能博物官(附数据集)

本文详细介绍了如何对Qwen3-Omni-30B-A3B-Instruct模型进行微调,以打造专业的智能博物官。指南涵盖了从理解模型架构优势、构建高质量文博数据集,到使用LLaMA-Factory进行实战微调、效果评估与部署优化的完整流程,并提供了关键的环境配置与性能优化建议,帮助开发者在垂直领域高效定制专属AI助手。

weixin_29096377的博客 1145

从平衡车到寻迹小车:IMU963RA九轴陀螺仪实战避坑与四元数融合指南

本文详细解析了IMU963RA九轴陀螺仪在机器人姿态控制中的应用,重点探讨了从六轴升级到九轴系统的技术路径及四元数融合算法。通过实战案例,揭示了如何利用地磁计补偿陀螺积分漂移,并提供硬件集成、传感器校准及算法实现的完整解决方案,有效将8小时漂移控制在2度以内。

weixin_27219587的博客 256

基于资源预测的Agent弹性伸缩:在成本与响应延迟间寻找最佳平衡点

手动伸缩:完全由运维人员人工调整副本数或服务器数量,效率极低,现在基本只用于极小规模的业务。反应式伸缩:基于当前实时监控指标触发伸缩规则,比如CPU利用率超过70%就加2个副本,是目前应用最广泛的方案,典型代表是K8s HPA、KEDA。预测式伸缩:基于历史时序数据预测未来的负载,提前进行伸缩,解决反应式伸缩的滞后性问题,典型代表是AWS Predictive Scaling、阿里云预测式HPA。智能Agent伸缩。

SuperAGI2025 135

计算机网络实验报告实验七可靠传输TCP协议分析

计算机网络实验报告实验七可靠传输TCP协议分析

m0_56638814的博客 966

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

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。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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")

上一篇: DIY车载快充神器:用IP6557+IP6538芯片打造140W+65W双口快充(附散热优化方案)
下一篇: 解决Simulink中CarSim S-Function图标缺失的实用指南
php55
博客等级 码龄15年 51粉丝 1553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