配置 ABAP 平台 OAuth 2.0 客户端实战指南

在 SAP ABAP 平台上配置 OAuth 2.0 客户端,是为了让 ABAP 系统可以安全地访问由服务提供方所提供的应用服务,例如 SAP Business Technology Platform 上的云服务。这样的设置让用户可以用统一的身份凭据访问目标服务,同时保证整个授权流程符合 OAuth 2.0 标准协议要求,这在实际的企业级集成场景中尤其常见。(SAP Help Portal)

OAuth 2.0 基础与应用背景

OAuth 2.0 本身是互联网领域广泛采用的授权协议,允许资源所有者授权第三方应用访问自己的受保护资源,而无需直接泄露密码。它通过访问令牌(access token)的机制来委托授权,从而减少安全风险,同时也提高资源访问的灵活性。互联网巨头如 Google、Microsoft、Amazon 等都采用了这个标准来管理其 API 接入权限。(Wikipedia)

在 ABAP 平台中,OAut

js文件 .mjs和.umd.js结尾的文件的区别 UMD(Universal Module Definition)是一种模块定义方式,旨在使JavaScript模块能够同时在AMD(Asynchronous Module Definition)、CommonJS(如Node.js环境)以及其他不支持模块加载器的环境中工作。文件通常包含了一段包装代码,它检测当前环境支持哪种模块加载机制,并相应地导出模块。这个扩展名专为ES模块(ECMAScript Modules)设计,表示这是一个原生的ES模块文件。需要Node.js开启对ES模块的支持,可能需要。 阅读详情

相关推荐

JavaScript文件后缀大揭秘:.js、.mjs和.cjs到底该用哪个?

本文深入解析了JavaScript开发中.js、.mjs和.cjs三种文件后缀的核心区别与适用场景。文章从CommonJS与ES Modules模块化历史出发,对比了语法、加载方式等关键差异,并针对新项目、遗留项目、库开发等不同实战场景,提供了清晰的选择策略和最佳实践,帮助开发者做出明智的架构决策。

weixin_29006701的博客 408

在 ABAP 平台 调用 OAuth 2.0 授权端点获取访问令牌

ABAP系统通过OAuth 2.0授权码流程获取访问令牌,需终端用户登录服务提供者并授权scope。流程从访问特定URL开始,经浏览器重定向到服务提供者授权页面,获取授权码后交换为访问令牌。该机制遵循OAuth2标准,确保安全访问外部API,同时支持令牌刷新以延长有效期。整个过程体现了OAuth2的权限委托思想,使ABAP系统能在不存储用户凭证的情况下代表用户访问受保护资源。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1934

从 SOAUTH2 参数看懂 SAP ABAP 里的 OAuth 2.0 客户端配置

本文详细解析了SAP ABAP系统中OAuth 2.0的配置要点,重点分析了SOAUTH2事务码中各字段的实际意义。文章指出OAuth 2.0 Client ID必须与系统用户绑定,但不应赋予业务权限;Description字段需要清晰描述应用用途;Token Lifetime默认值3600秒是安全与体验的平衡点。同时解释了客户端认证方式的选择标准,以及SAML 2.0 Bearer在企业SSO集成中的应用场景。全文强调正确理解各参数关系对构建安全、可维护的OAuth集成架构至关重要。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1075

用 OAuth 2.0 叫醒 ABAP:把 IF_OAUTH2_CLIENT 玩明白的一篇就够

本文为ABAP开发者提供了一份OAuth 2.0集成实战指南。文章首先阐述了在企业系统中集成OAuth 2.0的必要性,介绍了SAP ABAP平台原生的OAuth 2.0 Client API(IF_OAUTH2_CLIENT/CL_OAUTH2_CLIENT)及其与HTTP客户端的配合使用。指南详细说明了系统配置要求,包括OAuth 2.0 Client Profile、OAuth 2.0 Client配置以及相关授权对象的设置。核心部分提供了两段实用代码示例:一个是最小可运行的Client Creden

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 348

深入浅出讲解外部服务提供者 OAuth 2.0 帐户客户端创建与 ABAP 系统集成

本文详细介绍了在SAP ABAP平台配置OAuth 2.0客户端以安全调用外部Web服务的完整流程。主要内容包括:首先需要在外部服务提供者平台注册OAuth客户端,获取client ID和client secret;其次需特别注意重定向URI必须是公开可访问的地址;然后在ABAP系统中通过事务码OA2C_CONFIG配置OAuth客户端信息;最后阐述了常见的错误排查方法。文章强调了OAuth 2.0作为SAP系统与外部服务安全集成的标准协议,正确配置客户端是确保后续API调用安全可靠的关键前提。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1736

ABAP 平台 SOAUTH2_CLIENT 全面实战:用一套配置,打通 OAuth 2.0 客户端的创建、联调与运维

本文是一份ABAP平台上配置OAuth 2.0客户端的全流程指南,重点介绍新界面SOAUTH2_CLIENT的使用方法。内容涵盖从概念解析到实操步骤,包括四种常见授权方式的选择、证书信任管理、Scope配置以及联调技巧。指南通过两个企业级案例(对接SAP BTP Cloud Integration和SAML 2.0身份联合)展示实际应用场景,并提供了配置清单和伪代码示例。特别强调新界面将客户端配置、令牌测试和校验功能整合的工程化优势,以及与旧事务码OA2C_CONFIG的主要差异。文中多处引用SAP官方文档

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 319

用 ABAP 平台落地 OAuth 2.0 Client:架构、配置、编码与实战清单

本文介绍了在SAP ABAP系统中实现OAuth 2.0授权框架的实践方法。首先阐述了OAuth 2.0在ABAP环境中的重要性,包括标准化访问外部服务、安全合规的认证机制和细粒度权限控制。文章详细说明了OAuth 2.0四大角色在ABAP架构中的映射,重点介绍了ABAP事务码OA2C_CONFIG和OA2C_GRANT的配置方法。针对两种常用授权模式(Authorization Code和SAML Bearer)提供了具体实现路径,并给出了从零配置OAuth客户端的分步指南。最后,文章演示了两个实用的AB

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 236

在 ABAP 里用 OAuth 2.0 Client API 调用受保护的 HTTP 服务

摘要:SAP ABAP系统集成外部API时,OAuth 2.0令牌管理常被低估。推荐使用IF_OAUTH2_CLIENT处理令牌生命周期,通过SET_TOKEN方法将令牌传递给IF_HTTP_CLIENT进行资源访问,避免业务代码直接处理令牌。系统需预先配置OAuth 2.0 Client Profile和Client Configuration,分别定义访问范围和客户端身份。该方法遵循RFC标准,确保安全性和可维护性,比直接处理令牌更规范可靠。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1339

ABAP 平台下配置 OAuth 2.0 Authorization Code 授权类型的完整指引

本文是面向ABAP管理员和SAP开发者的OAuth 2.0授权码配置实战指南。文章详细介绍了在ABAP平台启用Authorization Code的完整流程,包括前置条件检查(如TLS配置和系统用户准备)、SOAUTH2事务码中各字段配置要点(授权类型启用、Redirect URI设置、授权码有效期等)、Scope分配规则以及验证方法。通过一个销售订单OData接口的实际案例,说明了如何将抽象规范转化为具体配置。最后提供了多种验证方式(事务码测试、端点测试和Postman测试)以及关键配置参数(如授权码有效

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 299

一文吃透 ABAP 平台 OAuth 2.0 Client 的 Authorization Code Flow:从配置到落地实战

本文介绍了在SAP ABAP平台中实现OAuth 2.0授权码模式(Authorization Code)的完整方案。该模式通过授权服务器完成用户认证后获取短期授权码,再由后端交换访问令牌和刷新令牌,兼具安全性与用户体验。文章详细阐述了ABAP平台中的关键组件(如OA2C_CONFIG配置事务码、IF_OAUTH2_CLIENT接口)、标准工作流程的五步骤,并提供了配置清单和可运行的ABAP代码示例。最后通过访问SuccessFactors OData和SAP BTP API两个实际案例,展示了该模式在混合

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 307

在 ABAP 平台正确落地 OAuth 2.0 Client:从概念到上机

本文为企业级ABAP团队提供在AS ABAP中设置OAuth 2.0客户端的实战指南。主要内容包括:OAuth 2.0在ABAP企业集成中的必要性、版本工具选择(推荐使用新版SOAUTH2_CLIENT)、上线前三大准备(TLS信任链配置、身份提供方信任、系统用户授权)、授权流选型建议(Client Credentials/Authorization Code/SAML 2.0 Bearer)及适用场景。详细介绍了客户端创建步骤(从Profile创建到Scope校验)、令牌获取测试(OA2C_GRANT工具

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 283

SAP ABAP OAuth 2.0 客户端接入服务提供方前的配置前置条件

摘要:SAP ABAP系统中配置OAuth 2.0 Client时,前置条件常被低估。除基本字段外,需注意权限对象(S_DEVELOP、S_OA2C_ADM、S_OA2C_USE)、TLS信任链和SICF代理配置等关键因素。开发人员创建Profile,管理员维护Client配置,终端用户需特定权限才能发起请求。OAuth 2.0要求严格使用TLS传输token以确保安全。各角色权限应明确分离,避免混用超级账户,以符合审计和安全要求。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1760

把 OAuth 2.0 + PKCE 玩明白:在 ABAP 平台落地 SSO 的完整实战指南

本文介绍了在SAP ABAP平台中实现基于OAuth 2.0与PKCE的单点登录(SSO)方案。ABAP服务器作为授权服务器,通过Authorization Code + PKCE流程为浏览器SPA、桌面端和移动App等公开客户端提供安全认证。文章详细阐述了PKCE的安全机制、系统架构中的关键角色和端点配置,并提供了从环境准备到客户端注册的完整实施流程。特别强调了Public Client必须使用专用的Public Token Endpoint,且无需客户端密钥,通过code_verifier与code_c

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 227

ABAP 平台下的 SAML 2.0 Bearer Assertion:为 OAuth 2.0 客户端开路的无交互令牌之道

本文从ABAP平台开发者视角阐述SAML 2.0 Bearer Assertion在OAuth 2.0中的集成应用。主要内容包括: 1)协议原理:基于RFC 7522规范,通过SAML断言获取OAuth访问令牌; 2)关键流程:从断言生成、令牌请求到API调用的完整时序; 3)ABAP配置:详细说明OAuth客户端创建、SAML授权类型设置等步骤; 4)工程实践:提供令牌请求的HTTP形态示例和ABAP代码片段,帮助开发者将抽象协议转化为可落地的系统集成方案。文章强调该方案在企业级系统集成中的实用价值,特别

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 257

mjs:适用于CC ++的嵌入式JavaScript引擎

mJS:受限制JavaScript引擎 概述 mJS专为资源有限的微控制器而设计。 主要设计目标是:占地面积小和简单的C / C ++互操作性。 mJS实现了ES6(JavaScript版本6)的严格子集: 任何有效的mJS代码都是有效的ES6代码。 任何有效的ES6代码不一定是有效的mJS代码。 在32位ARM mJS引擎上,需要约50k的闪存和少于1k的RAM(请参阅)。 mJS是一部分,可在其中启用IoT设备的脚本编写。 限制 没有标准库。 没有字符串,数字,RegExp,日期,函数等。 JSON.parse()和JSON.stringify()可用。 没有闭包,只有词法作用域(即允许嵌套函数)。 没有例外。 没有new 。 为了使用自定义原型创建对象,请使用Object.create() 。 仅严格模式。 没有var ,只能let 。 没有for..of , =

Windows 11 部署 Docker Desktop:从 WSL 报错到服务配置的完整排障实录

本文详细记录了在Windows 11上部署Docker Desktop时遇到的WSL报错问题及完整解决方案。从Hyper-V配置、BIOS设置到系统服务检查,提供了一系列实用命令和排查步骤,帮助开发者快速解决'Unexpecter WSL error'等常见问题,实现Docker与WSL2的稳定运行。

weixin_30687051的博客 123

别再只用线性回归了!用sklearn的核岭回归搞定非线性数据(附RBF核调参实战)

本文详细介绍了如何使用sklearn的核岭回归处理非线性数据,特别是RBF核的应用与调参实战。通过网格搜索找到最佳参数组合,核岭回归能有效捕捉数据中的复杂波动,显著提升模型性能。适合需要解决非线性问题的数据科学家和机器学习工程师。

weixin_34246529的博客 339

大模型工作流Dify面试题及参考答案

设计一个基于 Dify 的智能摘要与重点提取 Agent,需结合Prompt 工程、模型能力配置和工作流优化,确保对长文本的高效解析和关键信息提炼。1. 明确任务需求与输入输出输入:长文本内容(如文章、报告、会议记录)或文本 URL输出摘要:简洁概括原文核心内容,控制在原文长度的 10%-20%重点列表:分点列出关键数据、结论、行动项等可选:关键词提取、情感倾向分析示例场景输入:一篇 5000 字的行业报告。

大模型大数据攻城狮的专栏 2520

1、Ka频段双极化低剖面卫通相控阵天线

设计了双馈口叠层十字缝隙耦合天线,采用“双线极化天线 +旋转馈电 + 移相控制”架构,采用双馈口的叠层十字缝隙耦合天线,并以 2 x2 阵列为主体,旋转排布实现二次圆极化,同时极化可切换,通过多层 PCB 工艺实现天线层、控制/电源层功分网终层、芯片层一体化集成,研制出 64 阵元的圆极化可切换发射天线,测试结果表明:天线工作 频段为 27.5 ~31 GHz,可实现60°扫描,法向轴比

qq_43416206的博客 4373

彻底讲透 SAP 中的 client-safe:从 CDS、AMDP 到 ABAP Cloud 的客户端隔离设计

SAP系统中的client-safe概念定义了技术边界:访问client-dependent数据的对象必须确保只看到单个client数据,而访问client-independent数据的对象则天然满足条件。这一原则直接影响CDS视图、AMDP等核心组件,并与ABAP Cloud开发模型紧密集成。在业务系统中,client isolation要求用户只能看到当前登录client的数据。SAP通过语言版本、对象规则和静态检查强制执行这一约束,特别是在ABAP Cloud开发中,AMDP方法和发布的API必须满足

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 3274

Transformer实战(1)——词嵌入技术详解

词嵌入的核心思想是,通过将词语表示为稠密的向量,使得计算机可以更有效地处理和理解文本中的语义关系。在本节中,我们学习了单词分布式表示的概念及其实现,包括静态嵌入和动态嵌入,实现了 Word2Vec 和 GloVe 模型,并介绍了如何使用 Gensim API 探索嵌入空间。

盼小辉丶的博客 1万+

R语言机器学习 频谱分析

由傅里叶理论可知,时域中的任何信号都可以由一个或多个具有适当频率、幅度和相位的正弦 波叠加而成。也就是说,任何时域信号都可以变换成相应的频域信号,通过频域测量可以得到信号在某个特定频率.上的能量值。频谱分析就是在频域上分析时间序列的方法,它使用傅里叶分析方法,将时域信号转换到频域,并从频域中找出信号频谱的变化规律。原始周期图不是谱密度的一致估计量,但相邻值是渐近独立的。0点的周期图在理论上是0,因为去掉了级数的均值(但这可能会受到渐减的影响):在平滑过程中,它被相邻值的插值所取代,并且该频率不返回任何值。

Mrrunsen的博客 1183

K230+canMV开发中常见的数据类型转换参考示例

【代码】K230+canMV开发中常见的数据类型转换参考示例。

weixin_47446386的博客 69

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: Open UI5 源代码解析之1203:ContentDetails.controller.js
下一篇: Open UI5 源代码解析之1438:CompVariantUpdate.js
汪子熙
汪子熙 新星创作者: 前端开发技术领域 新星创作者: 前端开发技术领域 优质创作者: 软件测试技术领域 优质创作者: 软件测试技术领域 领域专家: 数据库技术领域 领域专家: 数据库技术领域
博客等级 码龄16年 3万+粉丝 1万+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

汪子熙

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