Apache HttpClient跳过HTTPS证书验证的三种实战方法详解

HttpClient跳过HTTPS证书验证的3种实战方法(含完整代码示例) 本文详细介绍了HttpClient跳过HTTPS证书验证的3种实战方法,包括自定义TrustManager、SSLContext配置和HttpClientBuilder高级定制,并提供完整代码示例。这些方法适用于开发和测试环境,帮助开发者快速解决自签名证书或未认证证书导致的HTTPS请求失败问题,但需注意生产环境的安全风险。 阅读详情

1. 项目概述:为什么我们需要跳过HTTPS证书验证?

在开发过程中,尤其是与后端API对接、爬取数据或者进行内部系统调试时,你很可能遇到过这样的错误: javax.net.ssl.SSLHandshakeException ,或者更具体的 sun.security.validator.ValidatorException: PKIX path building failed 。这些令人头疼的报错,十有八九是HTTPS证书验证失败导致的。我处理过太多这类问题,尤其是在开发测试环境、使用自签名证书的内网服务,或者访问一些证书配置不那么规范的第三方接口时,严格的安全验证反而成了阻碍开发的“拦路虎”。

HTTPS的核心是TLS/SSL协议,它通过证书来验证服务器的身份,确保你连接的不是一个冒牌货。这个验证过程包括检查证书是否由受信任的机构签发、证书是否在有效期内、证书中的域名是否与实际访问的域名匹配等。在正式的生产环境中,这套机制至关重要,它能有效防止中间人攻击。然而,在开发、测试、自动化脚本等特定场景下,我们有时需要一种“权宜之计”——暂时绕过这个验证。比如,你本地的Nginx配置了一个自签名证书用于测试,或者一个内部系统的证书过期了但还没来得及更新,这时候,让HttpClient跳过证书验证就成了快速推进工作的必备技能。

今天要聊的,就是围绕Apache HttpClient这个Java生态中最常用的HTTP客户端库,如何安全、可控地实现跳过HTTPS证书验证。我会分享三种实战方法,从最直接粗暴的“全部信任”,到更精细化的“自定义信任策略”,再到模拟浏览器行为的“导入特定证书”,每种方法都有其适用场景和潜在风险。我会附上完整的、可运行的代码示例,并重点讲解背后的原理和那些容易踩坑的细节。无论你是正在被证书问题困扰的开发者,还是想深入了解HttpClient安全机制的同学,这篇文章都能给你带来直接的帮助。

2. 核心思路与方案选型:三种方法的权衡与抉择

面对证书验证问题,我们不能简单地一关了之。不同的业务场景对安全性和便利性的要求不同,因此需要选择不同的策略。下面这三种方法,基本覆盖了从开发到测试,再到某些特殊生产场景的需求。

2.1 方法一:创建信任所有证书的SSLContext(最激进)

这是最“简单粗暴”的方法。它的核心思想是创建一个自定义的 SSLContext ,并使用一个“信任所有证书”的 TrustManager 。这个 TrustManager 不会对任何证书进行有效性检查,直接通过。这种方法实现起来代码量最少,但风险也最高,因为它完全放弃了HTTPS的身份验证功能,使得连接容易受到中间人攻击。

适用场景 :

  1. 封闭的测试环境 :例如,在完全隔离的虚拟机或容器内进行接口测试,没有外部网络风险。
  2. 快速的临时调试 :写一个一次性脚本,用于快速抓取或测试某个接口,用完即弃。
  3. 访问已知绝对安全的内部服务 (需谨慎评估):某些高度可控的内网环境。

核心风险 :该方法会信任任何证书,包括攻击者伪造的证书。 绝对禁止 在面向公网的生产环境或处理敏感数据(如用户密码、支付信息)的服务中使用。

2.2 方法二:使用自定义的TrustManager(相对灵活)

这种方法比第一种稍微“温和”一些。我们仍然需要自定义 TrustManager ,但不再是盲目信任所有,而是可以在 checkServerTrusted 方法中实现自己的验证逻辑。例如,我们可以只信任特定颁发者(Issuer)的证书,或者只信任包含特定主题名称(Subject)的证书。这提供了更高的灵活性。

适用场景 :

  1. 使用 私有CA(证书颁发机构) 签发的证书。公司内部可能搭建了自己的CA,为所有内网服务签发证书。我们可以让 TrustManager 只信任我们自己的CA根证书。
  2. 需要与某个使用 固定自签名证书 的服务通信。我们可以将那个特定的证书导入到信任库,并让 TrustManager 只信任它。
  3. 作为一种临时的变通方案,在验证逻辑里加入对过期证书的“宽恕”(同样需要非常谨慎)。

核心优势 :它允许我们定义一套自己的信任规则,而不是完全关闭安全验证。安全性比方法一高。

2.3 方法三:将特定证书导入到Java默认信任库(最接近浏览器行为)

这是最“正规”但也最繁琐的方法。它的思路是模仿浏览器的行为:当你用浏览器访问一个使用自签名证书的网站时,浏览器会告警,并允许你手动点击“信任”或“继续前往”。背后其实是给了你一个将证书永久添加到系统或浏览器信任库的选项。

在Java中,我们可以通过 keytool 命令,将目标服务器的证书(或签发它的CA根证书)导入到Java运行时环境(JRE)默认使用的信任库文件(通常是 $JAVA_HOME/lib/security/cacerts )中,或者导入到我们自定义的信任库文件里。然后,在创建HttpClient时,指定使用这个已经包含了目标证书的信任库。

适用场景 :

  1. 长期与某个使用自签名或私有CA证书的服务交互 。比如,公司的所有微服务都使用内部CA签发的证书,将CA根证书导入信任库是一劳永逸的方案。
  2. 需要 保持全局默认SSL行为 ,只对特定证书“开绿灯”。这种方法修改的是信任源,而不是验证逻辑本身。
  3. 希望 配置与代码分离 。证书管理通过运维手段(如部署脚本、配置管理工具)完成,应用程序代码无需包含任何跳过验证的特殊逻辑。

核心优势 :安全性最高,因为它没有破坏标准的证书验证链,只是扩展了信任的范围。一旦证书导入,所有使用该JRE的Java程序(包括HttpClient)都会自动信任该证书,无需修改代码。

注意 :修改全局的 cacerts 文件会影响该JRE下运行的所有程序,可能存在风险。通常更推荐为特定应用创建独立的信任库文件。

3. 实战方法一:创建信任所有证书的SSLContext

我们先从代码量最少、最直接的方法开始。这个方法的核心是构建一个“无所不信任”的 TrustManager ,并用它来初始化 SSLContext 。

3.1 完整代码示例

这里以Apache HttpClient 5.x版本为例(4.x和5.x的API有较大变化,但原理相通)。首先确保你的项目中引入了HttpClient的依赖(以Maven为例):

<dependency>
    <groupId>org.apache.httpcomponents.client5</groupId>
    <artifactId>httpclient5</artifactId>
    <version>5.3.1</version>
</dependency>
<dependency>
    <groupId>org.apache.httpcomponents.core5</groupId>
    <artifactId>httpcore5</artifactId>
    <version>5.2.4</version>
</dependency>

然后是跳过验证的核心工具类:

import org.apache.hc.client5.http.classic.HttpClient;
import org.apache.hc.client5.http.impl.classic.HttpClients;
import org.apache.hc.client5.http.impl.io.PoolingHttpClientConnectionManager;
import org.apache.hc.client5.http.impl.io.PoolingHttpClientConnectionManagerBuilder;
import org.apache.hc.client5.http.ssl.NoopHostnameVerifier;
import org.apache.hc.client5.http.ssl.SSLConnectionSocketFactory;
import org.apache.hc.core5.ssl.SSLContexts;
import org.apache.hc.core5.ssl.TrustStrategy;

import javax.net.ssl.SSLContext;
import java.security.KeyManagementException;
import java.security.KeyStoreException;
import java.security.NoSuchAlgorithmException;
import java.security.cert.X509Certificate;

public class TrustAllSSLHttpClient {

    /**
     * 创建一个信任所有SSL证书的HttpClient实例。
     * 警告:此客户端不验证服务器身份,仅用于测试环境,生产环境使用有极高安全风险!
     */
    public static HttpClient createTrustAllHttpClient() throws NoSuchAlgorithmException, KeyManagementException, KeyStoreException {
        // 1. 定义一个“信任所有”的策略
        TrustStrategy acceptingTrustStrategy = (X509Certificate[] chain, String authType) -> true;

        // 2. 使用上述策略构建SSLContext
        SSLContext sslContext = SSLContexts.custom()
                .loadTrustMaterial(null, acceptingTrustStrategy) // 第一个参数null表示使用系统默认的KeyStore
                .build();

        // 3. 创建SSLConnectionSocketFactory,并设置不进行主机名验证
        SSLConnectionSocketFactory sslSocketFactory = new SSLConnectionSocketFactory(
                sslContext,
                NoopHostnam
HttpClient跳过HTTPS证书验证的3种安全实现方案 HTTPS证书验证是保障网络通信安全的核心机制,通过数字证书建立服务器身份信任链。其原理基于公钥基础设施(PKI),客户端验证服务器证书的签名链是否源自可信根证书机构。这一机制在开发测试中可能成为障碍,特别是在对接使用自签名证书的内部测试环境或老旧系统时。为提升开发效率,可在受控环境下临时绕过验证,但需严格隔离生产环境。本文聚焦Java生态中HttpClient组件的三种主流实现方案:通过自定义TrustManager实现底层控制、利用Apache HttpClient的SSLContextBuilder简 阅读详情

相关推荐

Java中HttpURLConnection如何绕过HTTPS的SSL证书验证(信任所有证书)

本文详细解析了Java中HttpURLConnection绕过HTTPS的SSL证书验证(信任所有证书)的原理与实现。通过自定义TrustManager和SSLContext,开发者可在特定场景下跳过证书验证,但文章重点强调了此举的巨大安全风险,并提供了导入证书、使用特定HTTP客户端等更安全的替代方案与最佳实践。

tea88的博客 937

Spring Boot RestTemplate跳过SSL证书验证的三种实现方案与安全实践

SSL/TLS协议是保障网络通信安全的核心技术,通过非对称加密、数字证书和握手协议确保数据传输的机密性与完整性。其原理基于公钥基础设施(PKI),客户端验证服务器证书的合法性以防止中间人攻击。在微服务架构和系统集成中,HTTPS调用是常见需求,但开发测试环境常使用自签名证书,导致SSL握手失败。为解决这一痛点,开发者需定制HTTP客户端的SSL行为,通过配置SSLContext和HostnameVerifier实现临时信任。本文聚焦Spring Boot RestTemplate,对比Apache Http

weixin_30411819的博客 313

Java HttpClient绕过HTTPS证书验证:原理、实现与安全实践

HTTPS作为保障网络通信安全的核心协议,通过SSL/TLS加密和证书验证机制确保数据传输的机密性与完整性。其工作原理基于非对称加密和数字证书体系,客户端通过验证服务器证书的合法性来确认对方身份,防止中间人攻击。在Java开发中,Apache HttpClient是处理HTTP/HTTPS请求的常用工具,但在访问自签名证书或内部测试环境时,常遇到证书验证失败问题。通过自定义X509TrustManager实现,可以临时绕过证书验证,快速建立加密连接,这在开发测试阶段能提升效率。然而,这种做法会引入安全风险,

weixin_33847182的博客 428

Spring Boot中RestTemplate跳过SSL证书验证的3种方法(附完整代码)

本文详细介绍了在Spring Boot中使用RestTemplate跳过SSL证书验证的3种实用方法,包括自定义RestTemplate配置、使用自定义SSLContext和第三方库简化流程。针对开发中常见的`PKIX path building failed`错误,提供了完整代码示例,帮助开发者快速解决问题,同时强调了生产环境中的安全注意事项。

weixin_42665725的博客 454

SSL 跳过证书验证 javax.net.ssl.SSLHandshakeException: PKIX path building failed: sun.security.provider.cer

最开始网站是 http 的,后来升级成了 https 。内网环境是自己签发的证书,今天准备访问的时候报错了。原来已经加了跳过证书验证的代码了,还是报错了。 1. 为什么原来的设置不起作用 原来的设置如下,是在 spring boot 的启动类里设置了一段静态代码,跳过了证书验证: import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplicat

4147

Java实现HTTPS请求时绕过SSL证书验证的实战指南

本文详细解析了在Java开发测试中,如何通过自定义X509TrustManager、配置Apache HttpClient以及Spring RestTemplate等实战方法,安全地绕过SSL证书验证以连接自签名HTTPS服务。文章重点阐述了其核心原理与安全边界,强调该方法仅适用于可控的内部测试环境,并提供了重要的安全实践警告。

weixin_29279047的博客 452

STC8H DMA 串口1全双工中断方式收发通讯C语言

串口1全双工中断方式收发通讯程序。 通过PC向MCU发送数据, MCU将收到的数据自动存入DMA空间. 当DMA空间存满设置大小的内容后,通过串口1的DMA自动发送功能把存储空间的数据原样返回. 用定时器做波特率发生器,建议使用1T模式(除非低波特率用12T),并选择可被波特率整除的时钟频率,以提高精度。

czhaii的专栏 1470

PCB过孔电流承载解析:完整指南与数据参考

深入解析PCB过孔的电流承载能力,结合实际应用场景提供可靠设计参考。涵盖影响载流的关键因素,并整理实用的pcb过孔与电流对照一览表,帮助工程师优化布局与布线。

weixin_35677363的博客 638

Python自然语言处理 NLTK 库用法入门教程【经典】

@本文来源于公众号:csdn2299,喜欢可以关注公众号 程序员学府 本文实例讲述了Python自然语言处理 NLTK 库用法。分享给大家供大家参考,具体如下: 在这篇文章中,我们将基于 Python 讨论自然语言处理(NLP)。本教程将会使用 Python NLTK 库。NLTK 是一个当下流行的,用于自然语言处理的 Python 库。 那么 NLP 到底是什么?学习 NLP 能带来什么好处? ...

python函数基础教程 1万+

瑞萨MCU定时器API实战:从Smart Configurator配置到中断与输入捕获应用

在嵌入式系统开发中,定时器(Timer)是实现精准时序控制、PWM输出和信号测量的核心硬件外设。其工作原理基于计数器在稳定时钟源驱动下递增或递减,达到预设值后触发中断或改变输出电平,从而为系统提供节拍和事件基准。通过图形化配置工具(如瑞萨的Smart Configurator),开发者可以高效地将复杂的硬件寄存器操作转化为清晰、标准化的C语言API函数,这极大地提升了开发效率并降低了出错风险。这种从硬件抽象到软件接口的技术价值在于,它使得开发者能更专注于应用逻辑,而非底层细节,尤其适用于工业控制、汽车电子等

weixin_42519733的博客 278

从零开始:用ADS仿真设计一个2.4GHz Wi-Fi低噪声放大器(含完整电路图)

本文提供了一份详细的ADS软件仿真指南,手把手教你从零开始设计一个2.4GHz Wi-Fi低噪声放大器。内容涵盖核心指标理解、晶体管选型与建模、匹配网络设计、偏置电路集成,并通过S参数仿真、噪声优化及线性度验证等步骤,最终呈现完整的优化电路图,助力射频初学者掌握LNA设计全流程。

weixin_29197835的博客 814

OpenAI Codex 桌面端国内使用全坑解決指南(2026 Windows 实测)

本地文件报错:SQLite 初始化失败、启动闪退、卡加载页 → 本地缓存/数据库损坏,和网络无关网络地区报错→ 网络IP/地区被拦截,和本地软件文件无关Codex 桌面端的大部分报错,都不是软件故障,而是海外软件适配国内网络、国内模型协议不兼容导致的适配问题。不用盲目重装、换网络、改系统设置,只要区分「本地文件问题」和「网络地区问题」,搭配国内大模型 API 替代方案,就能完美解决所有痛点。(注:部分内容可能由 AI 生成)

ups_hxc的博客 1234

Linux系统之部署经典魔塔小游戏

Linux系统之部署经典魔塔小游戏

jks212454的博客 1840

华为OD机试:查找接口成功率最优时间段 (C/C++/Py/Java/JS/GO)

华为OD机试双机位C卷 查找接口成功率最优时间段,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。

qq_45776114的博客 4695

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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

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: API钩子与反逆向工程:攻防博弈下的核心技术原理与实践
下一篇: Android模拟器HTTPS流量解密全流程:从Mitmproxy配置到证书锁定突破
沂樾
博客等级 码龄10年 49粉丝 3999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
⌂ 换网址