Social模块开发（下）

Are you ready Are you ready 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 279平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
原创 最新推荐文章于 2026-10-31 16:13:06 发布 279 阅读 AI 写同款· GEO 优化 ›
ist的matlab代码-social-recommendation-using-matrix-factorization:使用矩阵分解的社会 ist的matlab代码这是4项社会推荐文件的实施： [1] PMF：概率矩阵分解： [2] socialMF：一种在社交网络中具有信任传播的矩阵分解技术，用于推荐[3] RSTE：学习推荐的社会信任团体： [4] CBR：在线社交网络中基于圈子的推荐 立即下载

2.1 会员、权限、日志

VIP、权限模块功能

  1. VIP 分类

    • 非会员
    • 一级会员
    • 二级会员
    • 三级会员

  2. 权限分类

    • 超级喜欢
    • 每日反悔 3 次
    • 查看喜欢过我的人

  3. 权限分配

    • 非会员: 无任何权限
    • 一级会员: 超级喜欢
    • 二级会员: 超级喜欢 + 反悔3次
    • 三级会员: 超级喜欢 + 反悔3次 + 查看喜欢过我的人

开发难点

  1. User 与 VIP 的关系

    • 一种 VIP 对应多个 User
    • 一个 User 只会有一种 VIP
    • 结论: 一对多关系

  2. VIP 与权限 的关系

    • 一种 VIP 级别对应多种权限
    • 一个权限会属于在多种级别的 VIP
    • 结论: 多对多关系

  3. 如何针对每个接口进行相应的权限检查 ?

模型设计

  1. VIP (会员)

    FieldDescription
    name会员名称
    level等级
    price价格

  2. Permission (权限)

    FieldDescription
    name权限名称
    description权限说明

日志相关功能

  1. 开发统计函数，将每日登录数据统计到日志

    • 登录时间
    • 登录者的 uid

  2. 使用 Linux 命令统计出每天的 DAU (日活跃)：Daily Active User

  3. 游戏

    1. DNU：拉新
    2. DAU：留存、活跃
    3. MAU：留存、活跃
    4. ARPU：Average Revenue Per User：付费
      1. 总收入/所有用户
    5. ARPPU：Average Revenue Per Paying User：付费
      1. 总收入/所有付费用户

  4. 电商业务

    1. 每日订单数：付费
    2. RFM
      1. 最近一次消费 (Recency)
      2. 消费频率 (Frequency)
      3. 消费金额 (Monetary)

    日志处理

  5. 日志的作用

    1. 记录程序运行状态
      1. 线上环境所有程序以 deamon 形式运行在后台, 无法使用 print 输出程序状态
      2. 线上程序无人值守全天候运行, 需要有一种能持续记录程序运行状态的机制, 以便遇到问题后分析处理
    2. 记录统计数据
      1. 用日志记录统计数据
      2. 高并发行为，每秒钟几万次记录
    3. 读写：R/W
      1. 随机读：性能较低
        1. SQL SELECT 读
      2. 随机写：性能很低
        1. SQL Insert / UPDATE
      3. 顺序读：性能很高
        1. 大的视频文件
      4. 顺序写：性能较高
        1. 日志：web server 配置即可
    4. 流式的数据
      1. 批式的数据
        1. Hadoop 批处理
      2. 流式的数据
        1. Storm
        2. Kafka
    5. 开发时进行 Debug (调试)
    6. 分布式的基石，就是日志
    7. 数据库，多服务器之间的复制，也是靠日志

  6. 基本用法

    import logging

# 设置日志格式
fmt = '%(asctime)s %(levelname)7.7s %(funcName)s: %(message)s'
formatter = logging.Formatter(fmt, datefmt="%Y-%m-%d %H:%M:%S")

# 设置 handler
handler = logging.handlers.TimedRotatingFileHandler('myapp.log', when='D', backupCount=30)
handler.setFormatter(formatter)

# 定义 logger 对象
logger = logging.getLogger("MyApp")
logger.addHandler(handler)
logger.setLevel(logging.INFO)

  7. 日志的等级

    • DEBUG: 调试信息
    • INFO: 普通信息
    • WARNING: 警告
    • ERROR: 错误
    • FATAL: 致命错误

  8. 对应函数

    • logger.debug(msg)
    • logger.info(msg)
    • logger.warning(msg)
    • logger.error(msg)
    • logger.fatal(msg)

  9. 日志格式允许的字段

    • %(name)s : Logger 的名字
    • %(levelno)s : 数字形式的日志级别
    • %(levelname)s : 文本形式的日志级别
    • %(pathname)s : 调用日志输出函数的模块的完整路径名, 可能没有
    • %(filename)s : 调用日志输出函数的模块的文件名
    • %(module)s : 调用日志输出函数的模块名
    • %(funcName)s : 调用日志输出函数的函数名
    • %(lineno)d : 调用日志输出函数的语句所在的代码行
    • %(created)f : 当前时间, 用 UNIX 标准的表示时间的浮点数表示
    • %(relativeCreated)d : 输出日志信息时的, 自 Logger 创建以来的毫秒数
    • %(asctime)s : 字符串形式的当前时间。默认格式是“2003-07-08 16:49:45,896”。逗号后面的是毫秒
    • %(thread)d : 线程 ID。可能没有
    • %(threadName)s : 线程名。可能没有
    • %(process)d : 进程 ID。可能没有
    • %(message)s : 用户输出的消息

  10. Django 中的日志配置

LOGGING = {
    'version': 1,
    'disable_existing_loggers': True,
    # 格式配置
    'formatters': {
        'simple': {
            'format': '%(asctime)s %(module)s.%(funcName)s: %(message)s',
            'datefmt': '%Y-%m-%d %H:%M:%S',
        },
        'verbose': {
            'format': ('%(asctime)s %(levelname)s [%(process)d-%(threadName)s] '
                    '%(module)s.%(funcName)s line %(lineno)d: %(message)s'),
            'datefmt': '%Y-%m-%d %H:%M:%S',
        }
    },
    # Handler 配置
    'handlers': {
        'console': {
            'class': 'logging.StreamHandler',
            'level': 'DEBUG' if DEBUG else 'WARNING'
        },
        'info': {
            'class': 'logging.handlers.TimedRotatingFileHandler',
            #'filename': f'{BASE_DIR}/logs/info.log',  # 日志保存路径
            'filename': os.path.join({BASE_DIR},'logs/info.log'),  # 日志保存路径
            'when': 'D',        # 每天切割日志
            'backupCount': 30,  # 日志保留 30 天
            'formatter': 'simple',
            'level': 'INFO',
        },
        'error': {
            'class': 'logging.handlers.TimedRotatingFileHandler',
            'filename': f'{BASE_DIR}/logs/error.log',  # 日志保存路径
            'when': 'W0',      # 每周一切割日志
            'backupCount': 4,  # 日志保留 4 周
            'formatter': 'verbose',
            'level': 'WARNING',
        }
    },
    # Logger 配置
    'loggers': {
        'django': {
            'handlers': ['console'],
        },
        'inf': {
            'handlers': ['info'],
            'propagate': True,
            'level': 'INFO',
        },
        'err': {
            'handlers': ['error'],
            'propagate': True,
            'level': 'WARNING',
        }
    }
}
  • 面试题：
    • 如何处理海量日志？

数据分析的日志流程

  1. Nginx Webserver 日志

    1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_123/explorer/item_12345 HTTP/1.0" 200 2326
1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_456/explorer/item_1245 HTTP/1.0" 200 2326
1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_789/explorer/item_345 HTTP/1.0" 200 2326
1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_135/explorer/item_1234 HTTP/1.0" 200 2326
1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_246/explorer/item_1235 HTTP/1.0" 200 2326
1.2.3.4 - frank [10/Oct/2000:13:55:36 -0700] "GET /uid_147/explorer/item_128345 HTTP/1.0" 200 2326

  2. 日志收集代理：Agent：syslog_ng / FluntD，将每条日志发送给集中的日志处理中心

  3. Kafka，并发轻松上10万

  4. 对接，其他的数据处理服务，取走数据做自己对应的业务数据分析，分析的结果入分析数据库

  5.    Log      .     Message    .    Streaming    .     Storage  
Collection  .      Queue     .    Caculation   .      Layer   
  Layer     .      Layer     .    Layer(py)    .              
            .                .                 .              
+-------+   .    +-------+   .    +--------+   .    +-------+ 
|Fluentd+------->|Kafka 1+------->| Storm  +------->| MySQL |--->Analytics
+-------+   .    +-------+   .  +-+--------+   .    +-------+ 
            .      ...       .  |      ^       .              
            .    +-------+   .  |      |       .              
            .    |Kafka n+   .  | +----+----+  .              
            .    +-------+   .  | |Zookeeper|  .              
            .                .  | +---------+  .              
            .                .  |              .              
            .                .  |              .              
            .                .  |              .    +--------+                 
            .                .  +--------------.--->|  HDFS  |                
            .                .                 .    +--------+

[外链图片转存失败(img-j2aExMSJ-1566997093218)(2.1-会员、权限、日志.assets/image-20190809141244459.png)]

[外链图片转存失败(img-am7sVeka-1566997093220)(2.1-会员、权限、日志.assets/image-20190809142658754.png)]

  • 面试题：
    • 讲讲你理解的日志处理流程
    • Kafka的工作原理
收录于
项目

当前文章被收录于：

项目
7 篇文章 0 人学习
订阅专栏 查看详情
标签
#Social模块开发（下）
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
概率矩阵分解pmf的python代码实现 压缩包中包含概率矩阵分解的python代码实现，以及movielen上下载的数据集，可以用来自己跑实验，很方便 立即下载

相关推荐

分析android逆向的学习路线

俗话说：“一入逆向深似海，从此头发是路人”。 安卓逆向作为当下热门行业“网络安全”的主要技术之一，已经受到了越来越多人的青睐。但是很多刚入门的新手小伙伴对于怎么去学习却还很是迷糊。本文就分享一下android逆向的学习路线供大家参考。 目前学习安卓逆向的人群大约分为两种： 第一种是完全没有任何基础的计算机纯小白； 第二种是本来就做开发懂编程的IT行业人员。 我们就针对这两个不同的人群做一下安卓逆向的学习路线分析。 一、无基础小白想入门 作为没有任何基础想要入门的计算机纯小白，学习上推荐参照以下步骤： （一

Hacker_by_V的博客 3078

从矩阵分解到GNN：社会化推荐的演化

写在前面：社会化推荐(social recommendation)的简介和几篇相关论文，包含经典模型SoRec(CIKM, 2008)，SocialMF(SocialMF, 2010)...

abcdefg90876的博客 958

python-snap7 报错：can‘t find snap7 library. If installed, try running ldconfig

1、使用场景： Python 读取西门子 S7 系列 PLC 信息，会用到 snap7 库，网上也有很多案例。但是，运行时会报错：can't find snap7 library. If installed, try running ldconfig 2、解决方案： A、下载项目需要依赖的 dll、lib 文件： i、Sourceforge下载：https://sourceforge.net/projects/snap7/files/ ii、优快云下载（免费）：https://dow.

蜡笔小新历险记的博客 3649

推荐系统之社会化推荐经典论文总结

社会化推荐是推荐系统中能够有效提高推荐准确率和推荐系统性能的方法，其基本思想就是认为，用户在选择候选物品时的决策会受到该用户的社交关系的影响。根据这种思想，许多研究者通过挖掘用户之间的社交关系，并将这种社交关系信息考虑到推荐系统的设计中，从而诞生了许多不同的方法，且在一定程度上提高了推荐系统的性能。本文通过对社会化推荐相关论文的阅读和思考，总结了前人在社会化推荐上开展的部分工作，并对这些工作的优缺点进行了思考和总结。

weixin_45806985的博客 3672

Docker入门教程：在腾讯云轻量服务器上部署你的第一个容器化应用 (2025)

还在为“在我电脑上明明是好的”而烦恼？本篇Docker入门教程，用通俗易懂的比喻解释镜像、容器的核心概念，并手把手带你在腾讯云轻量服务器上，从运行Nginx到编写Dockerfile打包自己的Python应用，轻松掌握容器化部署。

Clownseven的博客 2084

比利时风电光伏负荷一体化数据集解析与应用

本文深度解析了由比利时输电系统运营商Elia集团提供的风电光伏负荷一体化数据集。该数据集整合了负荷、风电与光伏出力数据，并包含多时间尺度的官方预测值，时间跨度长达四年，是研究能源转型、构建电力预测模型及分析电网运行的宝贵资源。文章详细介绍了数据价值、字段含义、实战应用场景（如预测模型基准测试、风光互补性分析）以及数据处理指南，为相关领域的研究与开发提供了高质量数据基础和实践参考。

weixin_29200741的博客 429

推荐-社交推荐相关

总结 近时间矩阵分解+社交信息的融合模型（2018） 模型性能 不同社交推荐方法在不同数据集中不同用户社交强度下的性能对比 研究难点与热点 数据稀疏性/ 社交关系的有效挖掘/社交噪声/可解释性社交推荐/可扩展型社交推荐模型与多源信息的融合/社交推荐模型快速求解/ 社交信息动态变化的（有效地刻画社交网络动态变化的特点 ）/用户隐私保护/前沿理论与方法在推荐上的应用 推荐...

serenysdfg的博客 1922

PCIe 物理层（Physical Layer）详解

PCIe物理层关键技术解析 PCIe物理层作为协议栈底层核心，承担着比特流传输、链路训练与电气特性管理等关键功能。该层采用分层架构，包含逻辑物理层（负责编解码/加扰）和电气物理层（处理信号收发）。关键技术亮点包括： 智能链路管理：通过LTSSM状态机实现11种状态转换，涵盖链路检测（Detect）、协商（Polling/Configuration）、功耗管理（L0s/L1）等全生命周期控制 高效编码方案：Gen1/Gen2采用8b/10b编码（20%开销），Gen3+升级为128b/130b（仅1.5%开销

珂珂可爱多 727

2023/4/23周报

GNN、深度学习

gldzkjdxwzs的博客 1220

2 硬件工程师笔面试高频知识考点真题解析——电容

本文全面解析了电容在电子电路中的关键应用与技术要点。主要内容包括：1. 电容选型核心要素：介质材质（陶瓷/电解/钽电容等）、容值精度、耐压等级、温度特性、ESR参数等，不同应用场景（滤波/去耦/谐振等）的选型策略。2. 典型电路应用原理：详细阐述去耦电容布局规则、晶振负载电容作用、共射放大电路旁路电容功能，以及RC电路的滤波/定时等应用。3. 特殊问题解决方案：MLCC啸叫机理与对策、寄生电容影响与消除、高速信号线电容使用禁忌等工程实践难题。4. 安全规范要点：X/Y电容的区别与选用、电解/钽电容防反接措施

XU157303764的博客 1561

使用Microsoft Print to PDF进行编程：创建PDF文件的简单方法

Microsoft Print to PDF是一种内置于Windows操作系统中的功能，它允许我们通过打印操作将任何可打印的内容保存为PDF文件。然后，我们使用Microsoft Print to PDF打印机进行打印操作，并将输出文件保存为指定的PDF文件。使用Microsoft Print to PDF功能是一种方便且简单的方法来创建PDF文件，无论是在个人使用还是在企业开发中，它都可以提供良好的支持和灵活性。请注意，如果你使用的是其他编程语言，你可以根据相应的打印机接口或库来实现类似的功能。

TechSavant的博客 1635

social模块开发

1.5 Social 模块开发 Social 功能概述 交友模块 获取推荐列表 喜欢 / 超级喜欢 / 不喜欢 反悔 (每天允许返回 3 次) 查看喜欢过我的人 好友模块 查看好友列表 查看好友信息 开发中的难点 滑动需有大量用户，如何初始化大量用户以供测试？ 推荐算法 如何从推荐列表中去除已经滑过的用户 滑动操作，如何避免重复滑动同一人 如果双方互相喜欢，需如何处理 好友关系如...

pythoncsdn111的博客 257

#systemverilog# 之 event region 和 timeslot 仿真调度（三）Verdi 辅助查看

通过今天的学习，我们知道：event region 是event sequence 的全集。我们打开了 event region feature 也就开启了event sequence 的功能。

那么菜的博客 1365

django社交类程序笔记（16）social模块开发

我们继续social模块的编写： 先在settings.py中注册app：social 我这里把social所有代码贴出来， admin.py，apps.py,tests.py,views.py都没动过。 models.py中如下： 这里使用了Q用作表示“或”， from django.db import models # Create your models here. from django...

qq_36710311的博客 253

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Statistics and Machine Learning Toolbox

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

Social模块开发（3）

2.2 缓存、排行榜、积分接口 开发任务 为获取个人资料接口添加缓存处理 统一为所有数据模型增加缓存处理 任何 model 对象创建时，自动为该对象添加缓存 任何 model 对象创建时，自动更新缓存数据 开发全服人气排行功能 被左滑 -5 分 被右滑 +5 分 被上滑 +7 分 统计全服人气最高的 10 位用户 缓存处理 缓存一般处理流程 data = get_fr...

pythoncsdn111的博客 229

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")

SET社会工程学工具集的定制化开发

SET的模块开发流程包括了解SET的攻击框架、选择攻击模块类型、编写攻击模块代码、测试攻击模块和提交攻击模块。SET的攻击框架基于模块化设计，每个攻击模块都是一个独立的Python脚本，可以实现特定的攻击功能。使用SET的脚本开发工具可以快速构建自定义的脚本，并将其集成到SET的脚本框架中。如果我们需要自定义脚本，我们可以从SET的脚本库中选择一个与我们需要实现的功能相似的脚本，并在此基础上进行修改。如果我们需要自定义的攻击模块，我们可以从现有的攻击模块中选择一个相似的模块，并根据需要进行修改。

Kali与编程 955

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

开源项目 OCA/social 使用教程

开源项目 OCA/social 使用教程 项目介绍 OCA/social 是一个开源项目，专注于社交网络功能的开发和集成。该项目由 Odoo Community Association (OCA) 维护，旨在为 Odoo 企业资源规划 (ERP) 系统提供强大的社交功能模块。通过 OCA/social，用户可以在 Odoo 平台上实现社交网络的集成，包括但不限于消息推送、社交分享、用户互动等功能。...

gitblog_00247的博客 782

终极指南：如何参与Social-Engineer Toolkit开源项目开发

Social-Engineer Toolkit（SET）是一个功能强大的开源渗透测试框架，专门用于社会工程学攻击模拟。作为TrustedSec公司推出的专业安全工具，SET提供了多种自定义攻击向量，帮助安全研究人员快速构建可信的攻击场景。🚀 ## 项目架构概览与技术栈 SET项目采用模块化设计，主要包含以下核心模块： - **核心引擎**：[src/core/setcore.py](htt

gitblog_00993的博客 951

10分钟快速上手 Social Stream：从 Gemfile 到第一条动态流的安装部署完全指南

Social Stream 是一个用于构建**分布式社交网络网站**的 Ruby on Rails 引擎框架，内置用户与群组（Subjects）、帖子与评论（Activity Objects）、好友关系、私信通知、活动流（Activity Streams）等核心功能。本指南带你走通从 Gemfile 配置、安装生成器、数据库迁移到灌入演示数据、发布第一条动态的完整流程，10 分钟即可跑起一个属于你

gitblog_00485的博客 45

推荐文章：探索春之韵律 - 春Social谷歌版，无缝集成Google服务

推荐文章：探索春之韵律 - 春Social谷歌版，无缝集成Google服务 项目介绍 在数字世界的交融中，春Social谷歌版（Spring Social Google）如一座桥梁，将开发者的世界与Google的无限广阔连接起来。作为一个开源项目，它基于强大的Spring框架生态，专为简化与Google服务的交互而生。无论你是致力于构建社交应用、管理日程，还是在云端存储和协作，Spring So...

gitblog_00693的博客 814

探秘Social项目：一款创新的社交应用开发框架

探秘Social项目：一款创新的社交应用开发框架 Social 是一个开源的、高度可定制的社交网络平台开发框架，由开发者 创建并维护。它提供了丰富的功能模块，使开发者能够快速构建自己的社交网络应用。本篇文章将深入探讨该项目的核心特性、技术优势以及可能的应用场景，以期让更多开发者加入到这个充满活力的社区中。 项目简介 Social项目基于现代Web技术和微服务架构，它的核心目标是简化社交网络应用的...

gitblog_00077的博客 584

开源社交平台：Open Social

开源社交平台：Open Social Open Social 是一个基于 Drupal 的强大安装配置文件，它为构建社区驱动的网站和社交网络提供了一流的解决方案。这个开源项目不仅注重功能的强大，还强调了开发者的参与与合作，以持续改进和创新。 项目介绍 Open Social 提供了一个预配置的环境，让您能够轻松地搭建和管理社交媒体功能齐全的网站。其设计目标是让用户可以创建自定义的社区，实现信息分享...

gitblog_00093的博客 645

React Social Network：构建现代社交网络的利器

React Social Network：构建现代社交网络的利器 项目介绍 React Social Network 是一个开源项目，旨在利用React这一强大的JavaScript库来构建用户界面。该项目以社交网络为例，展示了React及其组件的多种功能。通过这个项目，开发者可以轻松地根据自己的需求和环境，发展出符合自己想法的项目。 项目不仅提供了一个完整的社交网络模板，还通过不同的分支版本，满...

gitblog_00051的博客 1058

Spring Social：连接你的应用与SaaS服务的新时代桥梁

Spring Social：连接你的应用与SaaS服务的新时代桥梁 spring-social项目地址:https://gitcode.com/gh_mirrors/spr/spring-social 项目介绍 Spring Social 是 Spring Framework 的一个扩展，旨在帮助开发者轻松地将他们的应用程序与软件即服务（SaaS）提供商如Facebook和Twitter等连接起...

gitblog_00108的博客 671

social-auto-upload视频号上传器实现：tencent_uploader模块分析

在当今社交媒体快速发展的时代，自动化工具已成为内容创作者提高效率的必备利器。social-auto-upload项目作为一款强大的社交媒体自动化上传工具，支持抖音、小红书、视频号等多个平台的视频发布。本文将深入剖析其中的视频号上传器实现——tencent_uploader模块，为开发者和用户提供全面的技术解析和使用指南。 ## tencent_uploader模块概述 tencent_uplo

gitblog_00017的博客 417

Open Social：构建现代社交平台的开源利器

Open Social：构建现代社交平台的开源利器 项目介绍 Open Social 是一个基于Drupal的安装配置文件，专为构建现代社交平台而设计。它不仅仅是一个简单的内容管理系统，更是一个功能强大的社交网络平台解决方案。通过Open Social，开发者可以快速搭建一个具备社交功能的网站，支持用户注册、内容分享、社区互动等多种功能。 项目技术分析 Open Social 基于Drupal 8...

gitblog_01105的博客 1005
上一篇： social模块开发
下一篇： Social模块开发（3）
点赞 0
评论 0
书签 书签 0
Are you ready
Are you ready
博客等级 码龄8年 312粉丝 33原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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