关于为客户端自签SSL证书的生成、颁发、鉴权与JWT + Token

Dify API上云部署:JWT鉴权、网络代理与SSL证书的跨环境调试实战 在现代Web应用开发中,API的部署与调试是后端工程实践的核心环节。其原理涉及客户端与服务器之间复杂的网络通信协议栈,包括HTTP/HTTPS、TCP/IP以及应用层协议。理解这些基础协议和技术价值在于,它们确保了服务在分布式环境下的可靠性、安全性与可扩展性。尤其是在应用上云场景中,网络边界、安全策略和中间件配置的差异,使得本地运行正常的服务在云端可能面临JWT鉴权失效、网络连接超时或SSL证书验证失败等一系列挑战。本文聚焦于构建一套系统化的“断点图谱”调试方法论,通过剖析JWT令牌的传递与验证、反向代理的 阅读详情

关于为客户端自签SSL证书的生成、颁发、鉴权与JWT + Token

 

        群里,有同行对自签SSL证书与Restful概念混淆,特撰写本文

第一篇 正确理解SSL证书的Restful API访问

        有朋友一遇到Rest、Restful,立马下意识的问:“我客户端的组件代码该如何配置参数,才能识别我的自签SSL证书”?比如这位网友:

        “请教一下,看了TRestClient的属性,没有发现支持自签名https站点访问的证书配置,是不是调用自签名的https服务器的Restful API只能改用TIdHTTP?”

        这样的提问,首先反应出概念不清晰、模棱两可,因为提问的本质是数字证书的鉴权问题,它根本与客户端开发组件的属性无关、与该属性中是否包含证书配置无关,否则它就不叫Restful。至于Indy的做法,只是它私有的做法,并非Rest公共的做法:

一、关于Restful:

1、跨平台跨操作系统的服务

2、跨语言的服务

3、跨开发工具且与客户端任何第三方开发组件无关

        比如:服务端提供了SSL自签证书的生成服务、颁发服务、鉴权服务,并且这些服务是Restful的服务。

二、SSL及其证书

1、无论第三方证书颁发机构

2、还是你自签证书

        SSL:安全套接字层安全协议。

        数字证书:基于“国际数字证书管理机构”统一认可的算法的数字文件。

        其中包含了申请的认证的这些基本记录:

        2.1、Expiry date of the certificate过期时间、

        2.2、Start date of the certificate开始时间、

        2.3、Subject of the certificate证书主题、

        2.4、Issuer of the certificate证书颁发者、

        2.5、ProtocolName of the certificate证书的协议名、

        2.6、Algorithm Signature of the certificate证书的算法签名、

        2.7、Algorithm Encryption of the certificate证书的加密算法、

        2.8、Encryption's KeySize of the certificate证书的加密密钥大小。

        如果证书的协议及算法符合SSL要求的,则生成的证书文件为SSL证书。

 

第二篇 SSL数字证书的生成、颁发与鉴权

一、自签SSL证书的生成

        概念:按照符合SSL要求的算法,用代码生成SSL证书文件,包含上述最基本的证书记录。

 

二、自签SSL证书的颁发

        主要目的:识别客户端、对应生成的证书:针对目标的客户端为其生成可唯一识别的SSL证书文件,在合法客户端软件初次访问时,被下载到客户端设备进行物理存储。

 

三、鉴权

1、现目前主流: JWT + Token

        Json web token (JWT): 是为了在网络应用环境间传递声明而执行的一种基于JSON的开放标准(RFC 7519)。该token被设计为紧凑且安全的,特别适用于分布式站点的单点登录(SSO)场景。JWT的声明一般被用来在身份提供者和服务提供者间传递被认证的用户身份信息,以便于从资源服务器获取资源,也可以增加一些额外的其它业务逻辑所必须的声明信息,该Token也可直接被用于认证,也可被加密。

        服务端:生成、颁发、鉴权

        客户端:获取服务端颁发的Token令牌。

        现目前广泛被BAT使用的实现方式为,比如 CA + ServiceAccountToken:

        1.1、手机号 + 手机验证码+密码(双因素认证)

        这里Token令牌是什么:就是你的手机请求并接收到的唯一的验证码,且有时效性控制(比如5分钟之内有效)。

        主要控制点:您的手机别丢失。

        如果在加上密码验证或指纹验证或人脸识别:就会万无一失。

        鉴权:服务端比对为你的手机请求的加密后的验证码。

        1.2、邮箱号 + 邮件链接点击回调验证+密码(双因素认证)

        这里Token令牌是什么:就是用你的邮箱请求并接收到的唯一的验证邮件,且有时效性控制(比如5分钟之内有效)。

        主要控制点:您的邮箱别被盗号。

        如果在加上密码验证或指纹验证或人脸识别:就会万无一失。

        鉴权:服务端比对为你邮箱请求的邮件的加密后的邮件头信息。

        1.3、人脸识别

        这里Token令牌是什么:就是你的面部影像,就代表你本人。

        主要控制点:您被被绑架啦。

        鉴权:服务端比对之前为你生成的面部影像。

2、过去传统的做法

        以下这些做法,需要客户端设备操作系统权限,并在客户端设备操作系统上安装,比较繁琐,客户操作起来困难,所以现在并非主流鉴权的方式:

        2.1、客户端下载、服务端鉴权:下载后,OS加载安装,通常用于类似银行的U盾的双因素认证,令牌就是U盾;U盾插在客户端设备时,鉴权其数字证书颁发的合法性。比如: CA + 客户端证书 + 客户端私钥。

        2.2、TSession方式鉴权:(略,网上很多这样的文章)比如: CA + 用户名 + 用户密码。主要考虑会话Session的生命周期问题: 可以参考百度搜索:JWT

3、如果实在要用传统的方法,将鉴权放到客户端进行

        那么如果用delphi开发的话,可以从继承并重写这个类的如下方法入手:
uses System.Net.HttpClient;
function DoGetSSLCertificateFromServer(const ARequest: THTTPRequest): TCertificate; virtual; abstract;
        其中,TCertificate :
uses System.Net.URLClient;
  /// <summary> Record to store the information of a certificate.</summary>
  TCertificate = record
    /// <summary> Expiry date of the certificate</summary>
    Expiry: TDateTime;
    /// <summary> Start date of the certificate</summary>
    Start: TDateTime;
    /// <summary> Subject of the certificate</summary>
    Subject: string;
    /// <summary> Issuer of the certificate</summary>
    Issuer: string;
    /// <summary> ProtocolName of the certificate</summary>
    ProtocolName: string; // deprecated;
    /// <summary> Algorithm Signature of the certificate</summary>
    AlgSignature: string;
    /// <summary> Algorithm Encryption of the certificate</summary>
    AlgEncryption: string; // deprecated;
    /// <summary> Encryption's KeySize of the certificate</summary>
    KeySize: Integer;
  end;

喜欢的话,就在下面点个赞、收藏就好了,方便看下次的分享:

 

15 Go 鉴权(一):鉴权机制概述 一、系统鉴权概述 在现代web开发中,系统鉴权服务已是基本标配模块,有些开发框架甚至内置了鉴权模块的实现,或者提供一些鉴权的工具类,然而鉴权的方式也分为多种,了解各种鉴权方式的特点及使用场景可以帮助我们构建更健壮的web系统。以下列出四种常见的鉴权方式,我们来认识一下: HTTP Basic Authentication Session-Cookie机制 Token令牌机制 OAuth2.0授权... 阅读详情

相关推荐

第三方接口鉴权实战:从API Key到OAuth 2.0的安全接入方案

在现代分布式系统架构中,API鉴权是保障服务间通信安全的核心机制。其基本原理是通过凭证验证请求方的身份与权限,防止未授权访问和数据泄露。从技术价值看,健全的鉴权体系不仅能保护敏感数据,还能实现精细的访问控制,是构建可信系统的基础。常见的应用场景包括支付网关集成、地图服务调用、AI模型接入等外部服务交互。针对不同安全需求,业界形成了多层次的解决方案:API Key适用于简单快速对接,JWT Token满足无状态分布式系统的需求,而OAuth 2.0框架则标准化了用户资源授权流程。本文聚焦于第三方接口鉴权的工程

weixin_30443731的博客 516

全网最全的Cookie, Session, Token鉴权详解,一定让你大饱眼福

在Web开发中,鉴权是保护用户数据和系统安全的重要手段之一。常见的鉴权方式包括Cookie、Session和Token三种,下面我将详细介绍这三种鉴权方式,并且探讨它们的优缺点。B站终于有人讲清楚了什么是Cookie、Session、Token鉴权_哔哩哔哩_bilibili以上介绍了三种常见的鉴权方式,它们各有优缺点。Cookie鉴权简单易用,但安全性和可伪造性较差;Session鉴权相对安全可靠,但对服务器的负担较大;Token鉴权可以跨平台支持,扩展性好,但需要考虑密钥的安全性。

MXB_1220的博客 3446

step-ca 证书生成完整步骤指南

摘要: step-ca是Smallstep开源的企业级证书颁发机构,支持自动化证书管理(签发、续期、吊销)。核心流程包括:CA初始化(根/中间CA分离)、令牌授权(JWK/OIDC/ACME)、证书生成(默认24小时短寿命)及双向认证(mTLS)。支持灵活配置证书有效期(1小时至1年),提供systemd/cron/daemon三种自动化续期方案,并集成K8s cert-manager等生态工具。安全特性包括零信任架构、指纹验证和硬件密钥保护(HSM/TPM)。典型用例:快速生成mTLS证书(step-ca

sonadorje的专栏 1207

使用Token方式实现用户身份鉴权认证

Token,也称为“令牌”,是服务端生成的一串字符串,以作客户端进行请求的一个令牌,当第一次登录后,服务器生成一个Token便将此Token返回给客户端,以后客户端只需带上这个Token前来请求数据即可,无需再次带上用户名和密码。而且只要token设计的足够复杂,除非用户泄露,否则几乎没有被破解的可能,加上token是有时效的,在有限的时间加上有限的算力,更是无懈可击,这也类似于加密资产比如比特币钱包对应的私钥,安全性极高。另外Token可以有效减轻服务器的压力,减少频繁的查询数据库,使服务器更加健壮。

2301_77645750的博客 566

一文读懂Cookie、Session、Token和JWT

什么是认证(Authentication) 什么是授权(Authorization) 什么是凭证(Credentials) 什么是 Cookie 什么是Session Cookie 和 Session 的区别 什么是 Token(令牌) Token 和 Session 的区别 什么是 JWT Token 和 JWT 的区别 常见的前后端鉴权方式 常见的加密算法 常见问题 ...

htong521的博客 367

Nacos 2.2.2生产环境鉴权配置实战:从原理到避坑指南

在微服务架构中,配置中心与注册中心是核心基础设施,其安全性直接关系到整个系统的稳定与数据安全。基于Token的认证机制和RBAC权限模型是保障访问控制的主流技术方案,通过JWT令牌实现无状态认证,在提升安全性的同时兼顾性能。对于生产环境而言,开启鉴权不仅是满足安全合规的基本要求,更是防止敏感配置泄露、避免误操作引发服务雪崩的关键实践。本文聚焦于Nacos这一广泛使用的服务发现与配置管理平台,针对其2.2.2版本,详细解析如何基于MySQL持久化存储,正确配置并开启鉴权功能。内容涵盖从数据库初始化、密钥安全管

weixin_34318326的博客 538

创建自签名ssl证书_IT:如何创建自签名安全性(SSL)证书并将其部署到客户端计算机...

创建自签名ssl证书Developers and IT administrators have, no doubt, the need the deploy some website through HTTPS using an SSL certificate. While this process is pretty straightforward for a production site, ...

cuma1988的博客 1910

A2A-Agent认证鉴权机制与安全实践详解

在现代分布式系统中,认证鉴权是保障服务安全的核心机制。其基本原理是通过验证请求方身份(Authentication)和权限范围(Authorization)来建立可信访问。主流技术如OAuth2和JWT通过令牌机制实现无状态认证,而RBAC模型则提供灵活的权限控制。在A2A-Agent交互场景中,这些技术需要与传输安全(HTTPS)、请求签名等机制结合,形成多层防御体系。典型实现涉及API Key管理、双因素认证等安全实践,特别需要注意JWT验证、权限继承等常见漏洞防范。合理的认证策略应兼顾安全性与性能,通

weixin_30363981的博客 403

自颁发SSL证书

1.生成RSA密钥 $openSSL genrsa-des3 -out 名称.key 1024 2.拷贝一个不需要输入密码的密钥原件 $openSSL rsa -in 名称.key -out 名称_nopass.key 3.生成一个证书请求 $openSSL req -new -key 名称.key -out 名称.csr 4.自签发证书 $openSSL x509 -req -days 3...

lihongshi646951163的博客 572

Windows Server 搭建ftp服务

Windows Server 搭建ftp服务

ch258563的博客 1010

【Arduino 101】五分钟搞懂PID控制算法

【Arduino 101】五分钟搞懂PID控制算法物料清单尺寸接线 文章目录物料清单尺寸接线 物料清单 Arduino Uno x 1 超声波模块(HC-SR04)x 1 舵机(Tower Pro MG996R)x 1 舵机供电: 5V 稳压管(LM7805) x 1 , 滤波电容 (0.33uF, 0.1uF) x 2, 9V 电池 x 1 滑轨:泡沫板 支架:乐高 滚动物体:胶带(Up试过网球,但是测距模块的表现不理想) 尺寸 接线 ...

机器人工坊 1万+

Nginx SSL 证书自动颁发部署教程一条龙

最近业务需求搞HTTPS,本着想这就是个证书然后研究了下记录下,网上先查了下,本着能白嫖就白嫖的思路,我们肯定不搞付费SSL证书,但是貌似腾讯云,和阿里云这些都可以申请免费证书,但是都需要备案,于是乎我就查到了证书Let’s Encrypt 是一个免费、自动化和开放的证书颁发机构,由非营利性互联网安全研究小组 (ISRG) 提供嚯,免费的东西我喜欢,但是仔细看了下,申请的证书只有三个月期限,到期后需要重新申请,这就不友好了,当时第一个念头是应该有自动管理的东西,

NidhoogJX的博客 570

XIAO ESP32S3 Sense摄像头与麦克风实战:从硬件连接到AI语音视觉项目

本文详细介绍了如何使用Seeed Studio XIAO ESP32S3 Sense开发板进行AI语音视觉项目开发。从硬件连接到Arduino环境搭建,再到摄像头拍照、视频流传输、麦克风录音等实战操作,最后引导读者探索基于TensorFlow Lite Micro的语音唤醒和SenseCraft AI的图像识别等AI应用,为物联网和边缘AI项目提供了完整的入门指南。

xray4的博客 1027

聊聊那些鉴权相关的知识

用户授予第三方应用访问该用户某些资源的权限你在安装手机应用的时候,APP 会询问是否允许授予权限(访问相册、地理位置等权限)你在访问微信小程序时,当登录时,小程序会询问是否允许授予权限(获取昵称、头像、地区、性别等个人信息)Cookie。Session。Token。OAuth。凭证用于认证后,可生成会话或令牌,用于后续授权。凭证是用户或系统用来证明自己身份的信息。是在身份验证成功后,用来表明身份和授权的标识。Session ID:通过用户名和密码登录后生成的。

沉梦听雨的博客 1265

拼多多全站商品SKU数据爬虫实战:Python自动化采集与清洗

在电商数据分析领域,SKU(Stock Keeping Unit,库存量单位)数据是洞察商品策略、价格体系和市场竞争格局的核心抓手。本文以拼多多平台为研究对象,系统讲解如何利用Python构建一套完整的全站商品SKU自动化采集与清洗流程。文章涵盖目标分析与反爬策略、网络请求模拟、数据解析、分布式存储、数据清洗与标准化,以及调度与运维等全链路环节,并提供可直接运行的代码示例。拼多多API返回的数据结构大致如下(已脱敏):json"goods_name": "某品牌运动鞋",

2201_76125261的博客 217

【Network Management】AUTOSAR局部网络管理从0到1配置实践

AUTOSAR局部网络管理从0到1配置实践

qq_36056498的博客 2916

一文读懂Cookie、Session、Token和JWT(建议收藏)

点击上方[全栈开发者社区]→右上角[...]→[设为星标⭐]什么是认证(Authentication)什么是授权(Authorization)什么是凭证(Credentials)什么是 ...

全栈开发者社区 1871

Arcgis模型构建器01——写一个简单的模型

在使用模型构建器解决这个需求之前,我们要想清楚如果我们手动解决的话,应该如何去处理,因为构建模型的过程正是基于我们手动处理的过程来构建的。我有一个全国的dem影像数据和一个陕西省边界范围矢量,现在我想获取陕西省的dem影像的坡度数据。填写完之后点击确定,我们发现,两个输入数据和工具连接起来了,并且通过裁剪工具得到一个中间结果,即。我们发现工具框和中间数据框都存在阴影,说明已经运行过了这个模型,不报错就说明模型运行成功!现在我们就把数据和工具都串联起来了,成功构建好了模型。

爱吃雪糕的小布丁的博客 924

【登录鉴权】

用户授予第三方应用访问该用户某些资源的权限你在安装手机应用的时候,APP 会询问是否允许授予权限(访问相册、地理位置等权限)你在访问微信小程序时,当登录时,小程序会询问是否允许授予权限(获取昵称、头像、地区、性别等个人信息)cookiesessiontokenOAuth实现认证和授权的前提是需要一种媒介(证书) 来标记访问者的身份在互联网应用中,一般网站(如掘金)会有两种模式,游客模式和登录模式。当用户登录成功后,服务器会给该用户使用的浏览器颁发一个令牌(token。

热情、奔放、快乐编程! 583

(11-3-03)多任务与元强化学习:综合实战:基于元强化学习的迷宫导航系统(3)

本文介绍了策略网络隐空间可视化的实现方法及其在强化学习中的应用。通过设计visualize_latent_space函数,使用t-SNE算法将高维隐空间特征降维至二维进行可视化,直观展示策略网络在不同任务中的特征分布。文章详细阐述了实现流程:状态收集、t-SNE降维和可视化绘图,并提供了完整的Python代码示例。实验结果表明,该方法能有效分析策略网络的学习过程与适应能力,为优化模型提供重要依据。同时,文章还介绍了主程序的完整流程,包括环境初始化、元智能体训练与评估、学习策略比较等环节,最后对实验结果进行可

码农三叔 1047

RT-DETR改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进RT-DETR颈部网络

本文记录的是利用颈部结构优化RT-DETR的目标检测网络模型。利用改进后的颈部网络,通过跳层连接,避免了在进行反向传播时的梯度消失问题,并且引入跨尺度连接,可以实现不同级别和层次的特征充分融合,获取足够的高层语义信息和低层空间信息交换,从而在大规模变化场景下提高检测性能。GIRAFFEDET: A HEAVY-NECK PARADIGM FOR OBJECT DETECTION-GFPN包含了上述的跳层连接(dense-link和log2nlog _{2} nlog2​n-link)以及跨尺度连接(Quee

Limiiiing的博客 2232

Cookie、Session、Token、JWT之间的区别

什么是认证(Authentication) 通俗地讲就是验证当前用户的身份,证明“你是你自己”(比如:你每天上下班打卡,都需要通过指纹打卡,当你的指纹和系统里录入的指纹相匹配时,就打卡成功) 互联网中的认证: 用户名密码登录 邮箱发送登录链接 手机号接收验证码 只要你能收到邮箱/验证码,就默认你是账号的主人 什么是授权(Authorization) 用户授予第三方应用访问该用户某些资源的权限 你在安装手机应用的时候,APP 会询问是否允许授予权限(访问相册、地理位置等权限) 你在访问微信小程序时,当登录

liuguang212的博客 1373

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

15 【登录鉴权】

15 【登录鉴权】

DSelegent的博客 1186

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

还分不清 Cookie、Session、Token、JWT?

点击上方“Java基基”,选择“设为星标”做积极的人,而不是积极废人!源码精品专栏原创 | Java 2020超神之路,很肝~中文详细注释的开源项目RPC 框架 Dubbo 源码解析...

weixin_44421461的博客 291

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

WebSocket安全通信指南:用TouchSocket实现WSS加密与Token鉴权

本文详细解析了如何使用TouchSocket框架实现WebSocket安全通信,重点介绍了WSS加密与Token鉴权的关键技术。通过SSL/TLS配置、多层次鉴权方案、智能心跳机制及数据传输加密等实践,提升企业级应用的通信安全性与稳定性。适用于C#开发者构建高安全性的服务器与客户端实时通信系统。

palm99的专栏 389

NanoMQ安全配置完全手册:TLS/SSL与JWT认证

NanoMQ是一款超轻量级、高性能的MQTT消息代理,专为物联网边缘和软件定义车辆(SDV)设计。在物联网通信中,数据安全至关重要,本文将详细介绍如何通过TLS/SSL加密和JWT认证来保护NanoMQ的通信安全,确保您的物联网设备和数据传输得到全面保护。 ## 为什么物联网安全配置至关重要? 随着物联网设备数量的爆炸性增长,设备间的通信安全成为了关键挑战。未加密的MQTT通信可能导致数据泄露

gitblog_07888的博客 395
上一篇: Delphi用App Server和IIS等Web Server共享Http(s)的SSL Path、Method、File
下一篇: 短信验证码5分钟内有效的TimeStamp通用delphi代码实现
专讲冷知识
博客等级 码龄15年 568粉丝 292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

打赏作者

专讲冷知识

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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