016-HCIP-H12-821题库笔记(151-200)

2023年华为认证H12-821、H12-831考试指南(包括学习视频和题库) 考华为认证想刷题,用这个工具就可以了_哔哩哔哩_bilibili。 阅读详情

151、关于IIH有3种小类:L1 IIH、L2 IIH、P2P IIH

在IS-IS协议中,IIH报文是一种用于邻居发现和维护邻居关系的报文,并确实分为三种类型:

L1 IIH:该类型的IIH报文用于同一区域内的Level-1路由器之间建立邻居关系。

L2 IIH:该类型的IIH报文用于不同区域之间的Level-2路由器之间建立邻居关系。

P2P IIH:该类型的IIH报文用于同一区域内的Level-1-2路由器之间建立点对点的邻居关系。

152、在广播型网络中,DIS默认发送Hello时间间隔是3.3秒
153、IS-IS的LSP泛洪时间是900秒

在 IS-IS 中,LSP(Link State PDU)用于描述链路状态信息,需要在网络中进行泛洪,以让整个网络中的所有路由器都得到更新。IS-IS 中规定 LSP 的最大寿命为 20 分钟,即 1200 秒。但是,在实际运行中,LSP 的默认泛洪时间大多设置为 900 秒。

154、攻击者通过发送ICMP应答请求并将请求包的目的地址设为受害网络的广播地址,以实现攻击目的,属于Smurf攻击
(1)ICMP重定向是将数据包返回的目的地修改为攻击方,从而获取受害者信息
(2)Smurf攻击是将数据包的回复地址修改为受害者网络中的广播地址,淹没受害主机

Smurf 攻击是一种利用 Internet 控制消息协议(ICMP)协议的攻击方式,该攻击通过向受害者网络中的广播地址发送大量的 ICMP 请求报文,从而淹没受害主机的网络带宽,使其无法正常工作。常见的 Smurf 攻击方式就是将 ICMP Echo 请求的源地址篡改为受害者的 IP 地址,然后将请求包的目的地址设为受害网络的广播地址,这样所有收到请求的主机都会向受害者返回 ICMP Echo 应答,最终导致受害者网络带宽被占满。

而 ICMP 重定向攻击则是攻击者通过伪装成网络的网关,向其他主机发送 ICMP 重定向报文,让其修改数据流的路由信息,从而将数据流转发到攻击者控制的计算机上,达到窃取、篡改、拦截或伪造数据包的目的。

155、默认情况下DIS的优先级是64

关于 IS-IS 中的 DIS(Designated Intermediate System)和 OSPF 中的 DR(Designated Router),其优先级的默认值都是 64

156、当TCP连接正常,BGP邻居配置的AS号和邻居路由配置的BGP版本不一致时,该邻居通常会在建立TCP连接并交互一定信息后发Notification报文进行断连,那么该Notification报文中的Error Code会标识出Open消息是在协商时出现错误的。

当 BGP 邻居配置的 AS 号和邻居路由配置的 BGP 版本不一致时,BGP 邻居会尝试建立 TCP 连接,并发送 Open 消息,其中包括 BGP 版本和自己所属的 AS 号。如果邻居路由在收到 Open 消息后发现其所支持的 BGP 版本与对方不一致,或者对方的 AS 号与本地不匹配,那么邻居路由会向对方发送一个 Notification 报文,通知对方有错误发生,并断开连接。

在 Notification 报文中,Error Code 用于标识 Open 消息中出现错误的阶段。如果 Error Code 的值为 2(Open Message Error),则说明 Open 消息的格式或内容存在错误,导致邻居路由无法继续与其建立 BGP 邻居关系。

157、LACP协议:
(1)通过LACPDU与对端交互信息
(2)两端设备根据系统LACP优先级和系统ID确定主动端

LACP 使用 LACPDUs(LACP Data Units)来交换信息。LACPDUs 包括了 LACP 协议中定义的各种参数,例如系统 ID、端口 ID、聚合组号、协议版本等。在 LACP 过程中,交换的 LACPDUs 可以通过 PDU 的发送和接收状态来判断 LACP 链路的工作状态:
LACPDU 发送状态:指示该端口是否向对端发送 LACPDU。
LACPDU 接收状态:指示该端口是否从对端接收到 LACPDU。
两端设备使用系统 LACP 优先级和系统 ID 来确定主动端。在 LACP 聚合过程中,每一条物理链路都有可能成为聚合组的活动链路(Active Link),并负责承载所有数据流量。为了避免出现冲突,需要确立一个主动端,并由主动端负责管理整个聚合组。
LACP 主动端的选择过程如下:

确定系统 LACP 优先级:LACP 优先级范围为 1~65535,值越小优先级越高,默认值为 32768。
确定系统 ID:使用 MAC 地址或 IP 地址等唯一标识自己。
LACP 协商过程中,两端设备将比较彼此的 LACP 优先级和系统 ID。如果两端优先级相同,则比较系统 ID,选取较小的设备为主动端。
主动端负责发送 LACPDU,维护聚合组的状态,并向对端发送心跳信息以检测链路的状态。

158、关于VRRP:
(1)Skew_Time=(256-priority)/256
(2)缺省情况下,VRRP的抢占延时是0秒
(3)缺省情况下,VRRP通告报文的时间周期是1秒
(4)MASTER DOWN =(3*ADVER INTERVAL)+Skew time

VRRP(Virtual Router Redundancy Protocol)是一种热备份协议,用于在多个路由器之间共享一个虚拟 IP 地址,以提供网络的高可用性和容错能力

Skew_Time=(256-priority)/256 是计算优先级(Priority)对应的时间差值。在 VRRP 中,优先级高的路由器将会被选举为 Master,优先级相同的设备将根据 MAC 地址的大小进行决策。Skew_Time 用于调整 Master 和 Backup 之间通告状态信息的时间周期,时间差值越小,则周期越短。

缺省情况下,VRRP 的抢占延时是0秒。也就是说,当 Master 路由器失效后,Backup 路由器立即发起抢占过程,争夺 Master 的地位,以继续提供服务。

缺省情况下,VRRP 通告报文的时间周期是1秒。在 VRRP 过程中,Master 路由器需要定期向所有 Backup 路由器发送 VRRP 通告报文,以告知它们自己的状态。VRRP 报文包括如下信息:虚拟路由器 ID、优先级、认证字符串、优先级调整时间差值等。

MASTER DOWN =(3ADVER INTERVAL)+Skew time 是 VRRP 判断 Master 路由器失效的标准。如果 Backup 路由器在 3 个 VRRP 通告周期内(即总时间为 3ADVER INTERVAL)均未收到 Master 路由器的 VRRP 通告报文,那么 Backup 路由器将判定 Master 路由器已经失效,并开始发起抢占过程。Skew time 用于调整 Backup 路由器和 Master 路由器之间通告状态信息的时间差值。可以通过适当调整 Skew time 的值,来确保 Master 路由器失效后恰好进行抢占操作,并避免不必要的抢占。

159、修改哪些参数IS-IS邻居关系需要重新建立
(1)修改IS-IS的接口IP地址
(2)修改IS-IS的接口Level

在 IS-IS 协议中,以下两个参数的变化会导致 IS-IS 邻居关系需要重新建立:

修改 IS-IS 的接口 IP 地址:IS-IS 邻居关系是建立在相邻路由器之间的接口上的,因此当某个接口的 IP 地址发生变化时,其相邻路由器会无法识别该接口,从而需要重新建立邻居关系。IS-IS 协议可以通过 Hello 消息来发现并维护邻居关系,当两个路由器收到对方的 Hello 消息时,会互相确认邻居关系是否合法,如果不合法,则会重新初始化并建立邻居关系。

修改 IS-IS 的接口 Level:IS-IS 协议支持多级别(Level)路由器,在同一个 Level 内的路由器之间可以直接交换路由信息,在不同 Level 之间需要通过 Level-1 和 Level-2 路由器进行转换。当一个路由器的 Level 发生变化时,它需要重新向相邻的 Level-1 或 Level-2 路由器发送 Hello 消息,以通知它们自己的新 Level,并重新建立邻居关系。

160、关于WLAN热备
(1)配置VRRP热备时,可以通过配置VRRP的优先级来决定AC设备的主备角色
(2)配置VRRP热备时,主备AC必须在同一个二层网络

两台AC组成一个VRRP组,主.备AC对AP始终显示为同一个虚拟IP地址,主AC通过Hot Standby(HSB)主备通道同步业务信息到备AC上。

两台AC通过VRRP协议产生一台“虚拟AC”,缺省情况下,主AC担任虚拟AC的具体工作,当主AC故障时,备AC接替其工作。所有AP与“虚拟AC”建立CAPWAP隧道。AP只看到一个AC的存在,AC间的切换由VRRP决定。

VRRP热备是,主备AC必须处于同一个二层网络,互相之间才能够发送vrrp的通告报文,优先级高的为主AC,优先级低的备AC。如果想实现负载分担,通过配置不同的vrrp组来实现,而不是将优先级配置为一样。

161、策略路由(policy-based-route)不支持根据源MAC来指定数据包转发路径,策略路由只能根据数据包的3层头部信息来转发数据包,不能依据2层头部信息

策略路由通常是一种基于路由策略或路由策略组来确定数据包转发路径的路由技术。
与源MAC相关的信息是数据包的二层头部信息,而策略路由主要是根据数据包的3层头部信息(如IP地址、协议等)来进行转发决策的。
因此,策略路由并不支持根据源MAC地址来指定数据包的转发路径。

162、DR/BDR的优先级不能为0,优先级为0之后将只能成为DRother。

在OSPF协议中,每个接口都需要选举产生一个DR(Designated Router)和BDR(Backup Designated Router),用于负责发送LSA(Link State Advertisement)信息,并控制网络拓扑变化时的更新和同步。
007-HCIP-H12-821错题笔记(1-50) 74、在IS-IS网络中,level2、level1-2路由器会拥有全网的路由信息,而level1路由器只会拥有本区域的路由信息,因此level1-2路由器与level1路由器建立邻居关系的时候,会发送ATT置位的LSP给level1路由器,level1路由器收到后会产生一条默认路由指向level1-2路由器。65、当一个运行MSTP协议的交换设备端口收到一个配置BPDU时,如果端口接受到的BPDU内包含的配置消息优于端口上保存的配置消息,则端口上原来保存的配置消息被新收到的配置消息代替。 阅读详情

相关推荐

HCIP-Datacom(H12-821)考什么?

路由的基本原理,包括路由表结构、最长匹配原则、静态路由与动态路由的适用场景;04.高级特性:路由汇总(区域间与外部路由)、认证机制、虚连接等配置;03.动态路由协议的分类及工作机制(距离矢量、链路状态协议的区别);01.网络设备(路由器、交换机)的框架及报文处理流程(接口接收、的异同点是易混淆内容,需区分两者在区域划分、路由计算上的差异。03.配置实践:基本路由配置、区域划分、路由汇总等命令操作;03.网络安全:华为防火墙的区域划分、包过滤规则、的快速收敛机制(替代端口、备份端口、边缘端口)、

2501_92670687的博客 1050

数通HCIP考试—H21-821全真模拟测试,60题1000分

华为数通认证HCIP测试卷

yuyeconglong的博客 8593

华为Datacom认证避坑大全:H12-821/H12-831高频错题解析(含BFD联动配置实验)

本文聚焦华为Datacom认证H12-821/H12-831考试中的高频错题与实操陷阱,提供深度解析与避坑指南。内容涵盖OSPF邻居建立、VRRP与BFD联动配置、组播协议细节及BGP选路等核心难点,并通过eNSP实验验证,帮助考生从“会做”到“做对”,高效备考。

weixin_29214335的博客 472

从零到通关:华为HCIP-Datacom H12-821和H12-831备考全攻略

本文详细解析了华为HCIP-Datacom认证中H12-821和H12-831两门考试的备考策略与技术要点。从基础理论到高级路由交换技术,提供四阶段科学学习法、核心难点解析及实验环境搭建建议,帮助考生高效备考并顺利通过华为数通认证考试。

raspberrypi5的博客 926

【华为HCIP | 高级网络工程师】刷题日记(9)

H12-821-CORE-S - 821-S09

鱼干的博客 2992

华为HCIPH12-821/831学习笔记

HCIP-Datacom-Core TechnologyV1.0考试覆盖数据通信领域各场景通用核心知识,包括路由基础,OSPF、IS-IS、BGP、路由和流量控制、以大网交换技术、组播、IPV6、网络安全、网络可靠性、网络服务与管理、WLAN、网络解决方案

【汽车ECU标定技术解析】DCM文件与A2L、HEX的协同工作机制

本文深入解析了汽车ECU标定中DCM、A2L与HEX三大核心文件的协同工作机制。A2L文件作为定义标定变量地址与规则的“图纸”,DCM文件承载工程师调试后的具体标定数据,最终通过A2L的地址映射,将DCM数据固化生成可刷入ECU的HEX文件,形成完整的标定数据流转闭环。

weixin_29214559的博客 437

汇川AM系列PLC玩转CNC:手把手教你用File模式读取G代码文件(附避坑指南)

本文详细介绍了如何使用汇川AM系列PLC的File模式读取G代码文件,涵盖从CAD设计到PLC配置的全流程。特别针对路径格式、文件类型等常见问题提供避坑指南,帮助工程师快速实现CNC加工的自动化控制。

weixin_33582311的博客 407

金蝶云ERP远程办公指南:零公网IP实现安全内网穿透访问

本文详细介绍了如何利用内网穿透技术,在无需公网IP和复杂路由器设置的情况下,安全远程访问内网部署的金蝶云ERP系统。通过使用cpolar工具,逐步指导用户创建加密隧道、配置固定域名,并实现管理中心与数据中心的远程登录,有效解决了企业员工在外出或居家办公时的核心业务系统访问难题。

weixin_29229261的博客 269

(最新更新!)2024全国大学生数学建模竞赛(国赛)B题决策优化+鲁棒模型完整建模全解全析

2024全国大学生数学建模竞赛(国赛)B题完整建模全解全析(已更新!)

Yilu264的博客 9417

Android 9.0 系统framework关于忘记开机锁屏密码进不去系统桌面清除锁屏密码问题的解决

在9.0的系统rom定制化开发中,在一些产品中带锁屏密码的功能中,系统默认是滑动解锁,但是客户会设置锁屏密码,在某些时候会 忘掉锁屏密码,导致需要进入恢复出厂设置然后才能进入系统桌面,这样就导致系统的保存的资料都丢失了,所以需要要求提供接口 在下拉状态栏中或者系统服务中在忘记锁屏密码后不恢复出厂设置的情况下,可以清除锁屏密码,接下来就来实现功能

安卓兼职framework和app工程师的博客 616

14、改进的目标检测与图像去模糊算法研究

本文研究了改进的目标检测与图像去模糊算法。改进的YOLOv5s算法在目标检测中通过添加PSA模块和VoVGSCSP结构,在轻量化模型的同时提高了检测的准确性和速度,适用于电力操作安全穿戴设备检测等场景。XT-GAN结合Transformer和生成对抗网络,在图像去模糊任务中有效解决了传统方法的不足,具有更低的计算复杂度和良好的鲁棒性。两种算法为计算机视觉领域的相关任务提供了更高效、准确的解决方案。

c7d8e的博客 214

通信算法之267 : DJI无人机 云哨 DroneID 640ms

消费级无人机可以用于高级航拍、物流和人道主义救援等等。但是其广泛使用给安全、安保和隐私带来了许多风险。例如,攻击方可能会使用无人机进行监视、运输非法物品,或通过侵入机场上方的封闭空域造成经济损失。为了防止恶意使用,无人机制造商采用多种对策来强制安全可靠地使用无人机,例如对速度和高度施加软件限制,或使用地理围栏实施禁飞区。作为对传统对策的补充,市场领导者大疆(DJI)为无人机实施了一种称为 DroneID 的跟踪协议,该协议旨在将无人机及其操作员的位置传输给授权实体,例如执法部门或关键基础设施的运营商。

leegang12的专栏 3309

Nexys4DDR+OV7670实现图像灰度显示系统嵌入式

通过对硬件平台的准备、Vivado工程配置、OV7670驱动程序的编写、图像灰度处理算法的设计以及系统集成与测试,我们成功实现了一个基于嵌入式系统的图像处理应用。当系统运行时,OV7670摄像头模块将采集到的图像传输到FPGA芯片中,然后通过图像灰度处理算法将彩色图像转换为黑白图像,并在显示设备上进行显示。OV7670摄像头模块的驱动程序是实现图像采集的核心。以上代码中,我们使用了Xilinx提供的XGpio和Xil_In32函数来进行OV7670摄像头数据的读取和GPIO的初始化。OV7670驱动程序。

WangWEel的博客 338

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

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

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。

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: 015-zabbix5.0安装部署-详细
下一篇: 017-HCIP-H12-821题库笔记(251-300)
深度学习007
博客等级 码龄8年 2862粉丝 78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

深度学习007

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