为IP地址生成自签名证书:OpenSSL配置与SAN扩展详解

如何生成IP地址的自签名证书 生成一个用于特定IP地址的自签名证书是一个相对直接的过程。自签名证书通常用于开发测试环境,而不是生产环境,因为它们不是由受信任的证书颁发机构(CA)签署的。 阅读详情

1. 项目概述:为什么我们需要为IP地址生成证书?

在开发和测试环境中,我们经常遇到一个看似简单却颇为棘手的问题:如何让浏览器或客户端信任一个通过IP地址(比如 https://192.168.1.100 或 https://10.0.0.5 )访问的服务?尤其是在搭建内部Kubernetes Dashboard、开发微服务API网关、测试IoT设备管理后台时,使用IP地址直接访问远比配置本地DNS或修改hosts文件来得方便。然而,现代浏览器对HTTPS的安全性要求日益严格,一个没有有效证书的HTTPS站点,会直接抛出醒目的“不安全”警告,甚至完全阻止访问,这给开发和调试带来了巨大阻碍。

自签名证书(Self-Signed Certificate)正是解决这个痛点的利器。它绕过了需要证书颁发机构(CA)签名的复杂流程,允许我们为自己任意的IP地址或域名签发证书。虽然它不被公共互联网的CA根证书库信任,但在受控的内部环境中,通过将自签名证书的根证书导入到系统或浏览器的信任库,就能建立起完整的信任链,让浏览器显示“安全”的小绿锁。这个过程的核心工具,就是几乎存在于所有Linux/Unix系统和macOS上的OpenSSL。本指南将深入拆解如何为单个乃至多个IP地址生成、配置和使用自签名证书,涵盖从基础命令到生产级实践的完整流程,并分享我踩过的那些坑和总结出的高效技巧。

2. 核心原理与准备工作:理解证书里的IP字段

在动手之前,我们必须搞清楚一个关键概念:证书是如何关联到IP地址的?这关系到我们生成的证书是否真的能被浏览器接受。

2.1 理解主题备用名称(SAN)扩展

早期的SSL/TLS证书只认“通用名称”(Common Name, CN)。你可能会在命令中看到 -subj "/CN=192.168.1.100" 这样的参数。但请注意, 现代浏览器(如Chrome、Firefox)和大部分客户端库,早已不再仅仅依据CN字段来验证服务器身份 。它们主要依赖的是 X.509 v3证书的“主题备用名称”(Subject Alternative Name, SAN)扩展 。

SAN扩展允许一个证书绑定多个身份标识,包括:

  • DNS名称 :例如 DNS:example.com , DNS:*.example.com
  • IP地址 :例如 IP:192.168.1.100 , IP:2001:db8::1
  • 其他如邮箱地址等。

关键点 :如果你只为CN字段设置了IP地址,而没有在SAN扩展中明确指定相同的IP地址,那么现代浏览器在访问 https://192.168.1.100 时,会执行SAN扩展匹配。由于找不到对应的IP条目,验证就会失败,导致“证书无效”的错误。因此, 为IP地址生成证书,必须在SAN扩展中明确添加 IP: 条目 。

2.2 工具准备:OpenSSL与配置文件

我们的核心工具是OpenSSL。首先,确保你的系统已经安装它。在Ubuntu/Debian上可以运行 sudo apt-get install openssl ,在CentOS/RHEL上则是 sudo yum install openssl 。生成证书主要有两种方式:

  1. 单行命令 :快速简单,适合一次性生成单个IP的证书。
  2. 配置文件方式 :功能强大且灵活,是处理多IP、多域名或需要复杂扩展需求的推荐方式,也便于版本管理和复用。

为了生成包含正确SAN扩展的证书,我们需要一个OpenSSL配置文件( .cnf 文件)。下面是一个基础模板,我们将其保存为 openssl.cnf :

[ req ]
default_bits        = 2048
default_keyfile     = server.key
distinguished_name  = req_distinguished_name
req_extensions      = v3_req
prompt              = no
encrypt_key         = no

[ req_distinguished_name ]
countryName             = CN
stateOrProvinceName     = Some-State
localityName            = Some-City
organizationName        = My Company
organizationalUnitName  = IT Department
commonName              = 192.168.1.100 # 这里可以写一个主IP或任意名称,但SAN更重要

[ v3_req ]
basicConstraints = CA:FALSE
keyUsage = nonRepudiation, digitalSignature, keyEncipherment
extendedKeyUsage = serverAuth
subjectAltName = @alt_names # 关键!指向alt_names段落

[ alt_names ]
IP.1 = 192.168.1.100
I
OpenSSL-基于IP或域名生成自签名证书脚本 创建自签名证书,在执行此命令时,您可以使用-days选项来指定证书的有效期。在上述示例中,证书的有效期为10年(3650天)。如果您想要更长期的有效期,可以将该值增加 阅读详情

相关推荐

5分钟生成支持多IP的自签名证书:OpenSSL SAN配置实战指南

SSL/TLS证书是保障网络通信安全与身份验证的核心技术,其原理基于非对称加密与公钥基础设施(PKI)。在开发与测试环境中,自签名证书因其零成本、快速部署的特性,成为实现HTTPS加密、满足微服务间安全通信及Kubernetes等平台访问控制需求的实用解决方案。通过配置主题备用名称(SAN)扩展,一个证书可同时信任多个IP地址与域名,有效解决了本地开发、内网服务及容器化场景中多端点访问的证书匹配问题。本文聚焦于使用OpenSSL工具,通过清晰的配置文件定义SAN字段,快速生成支持多IP的自签名证书,并演示其

weixin_28715953的博客 345

使用OpenSSL自签名证书解决内网HTTPS访问的安全警告问题

本文详细介绍了如何使用OpenSSL生成包含SAN扩展的自签名证书,以解决内网通过IP地址进行HTTPS访问时浏览器提示“不安全”警告的问题。通过分步教程,指导用户从生成证书、配置Nginx到将证书导入客户端受信任根证书库,实现内网HTTPS的安全访问。

m3n5b7v8c9x的博客 691

Windows 下使用 OpenSSL 快速生成 PFX 自签名证书指南

本文详细介绍了在Windows环境下使用OpenSSL快速生成PFX自签名证书的完整指南。从OpenSSL环境配置、基础证书生成到PFX格式转换,逐步讲解如何创建适用于开发测试环境的HTTPS证书,并提供了高级配置技巧和实际应用案例,帮助开发者高效解决内网加密通信需求。

weixin_29288313的博客 1293

OpenSSL生成带SAN扩展的自签名证书,解决本地开发HTTPS警告

HTTPS是现代Web安全的基石,它通过TLS/SSL协议对通信进行加密和身份验证。其核心原理是基于公钥基础设施(PKI)和数字证书体系,确保客户端与服务器之间的连接是私密且可信的。在开发实践中,本地测试环境常需启用HTTPS以模拟生产场景,但自签证书常因不符合现代浏览器安全标准而触发警告,影响Service Worker、PWA等功能的测试。这通常是由于证书缺少关键的**使用者可选名称(SAN)**扩展字段,导致浏览器抛出 `ERR_CERT_COMMON_NAME_INVALID` 错误。本文聚焦于使用

weixin_30907935的博客 406

OpenSSL自签名证书保姆级教程:从生成到配置HTTPS服务(含SAN扩展)

本文详细介绍了如何使用OpenSSL生成符合现代浏览器要求的自签名证书,并重点强调了配置主题备用名称(SAN)扩展的重要性。通过清晰的步骤指南,从生成私钥、编写配置文件到在Nginx、Node.js等服务中部署HTTPS,帮助开发者在本地或内网环境中快速搭建安全的加密通信服务。

weixin_29291185的博客 303

为多IP地址生成自签名证书的完整指南

本文详细介绍了如何为多IP地址生成自签名证书的完整流程,包括OpenSSL环境搭建、基础证书生成、使用SAN扩展支持多IP地址等关键步骤。通过实际案例和常见问题解决方案,帮助开发者在测试环境中快速配置HTTPS通信,提升开发效率。

weixin_42614269的博客 208

OpenSSL生成带SAN扩展的自签名证书,解决HTTPS开发环境证书错误

SSL/TLS证书是保障网络通信安全的核心技术,它基于公钥加密体系,通过数字签名验证服务器身份。其核心原理在于客户端使用证书中的公钥验证服务器签名,确保连接不被窃听或篡改。这一技术对现代Web应用至关重要,不仅保护数据传输隐私,更是启用HTTP/2、Service Worker等现代浏览器API的前提。在开发测试场景中,开发者常需使用自签名证书搭建HTTPS环境。然而,现代浏览器如Chrome已强制要求证书包含主题备用名称(SAN)扩展,仅靠传统的通用名称(CN)字段会导致 `NET::ERR_CERT_C

weixin_29323365的博客 364

开发环境必备:5分钟搞定OpenSSL自签名证书(含多IP配置)

本文详细介绍了如何在开发环境中快速生成OpenSSL自签名证书,特别是针对需要支持多个IP地址的复杂场景。通过配置SAN扩展,可以轻松为多个IP生成单一证书,解决微服务、Docker容器等本地HTTPS调试需求,并提供一键生成脚本和Docker集成等实用技巧。

u0v1w2x3的博客 480

解决Chrome/Edge自签名证书不安全:SAN扩展配置全指南

HTTPS作为保障网络通信安全的核心协议,其基础依赖于SSL/TLS证书构建的信任链。证书通过公钥加密与数字签名技术,验证服务器身份并加密传输数据,是确保数据完整性与隐私性的基石。在开发与测试环境中,自签名证书常被用于模拟HTTPS,但其易被浏览器标记为“不安全”,影响功能测试与开发体验。问题的关键在于现代浏览器已严格遵循CA/Browser Forum标准,仅通过主题备用名称(SAN)扩展验证域名匹配,而不再依赖通用名称(CN)字段。正确配置SAN扩展,将指定域名或IP地址(如DNS:localhost、

weixin_34007886的博客 414

OpenSSL自签名证书实战:本地HTTPS与多IP SAN配置指南

HTTPS 是保障前端页面与后端接口通信安全的基础协议,而在本地或内网开发环境中,合规证书申请繁琐,自签名证书成为首选。其原理是通过 OpenSSL 生成密钥对,在证书中利用 SAN(主题备用名称)字段绑定多个访问地址,从而解决浏览器对本地多IP访问的拦截问题。自签名证书技术价值突出,尤其适用于需要安全上下文的 PWA、小程序调试及 Docker 容器访问场景,能够快速构建可信的开发环境。本文聚焦完整配置流程,从 OpenSSL 配置文件编写、密钥生成到系统信任导入与常见错误排查,为开发者提供一套高效可复用

weixin_28715953的博客 207

Windows本地开发HTTPS配置指南:OpenSSL生成自签名证书

HTTPS作为HTTP的安全超文本传输协议,其核心原理是通过SSL/TLS协议对通信进行加密和身份验证,确保数据传输的机密性和完整性。在Web开发领域,HTTPS不仅是生产环境的标配,对于本地开发也日益重要,因为许多现代浏览器API(如地理位置、摄像头访问)和PWA特性都要求运行在安全上下文中。自签名证书技术提供了一种经济高效的本地加密解决方案,它绕过了商业证书颁发机构(CA),由开发者自己充当CA签发证书。通过使用OpenSSL工具链生成包含正确SAN扩展的证书,并配置到Nginx等Web服务器,开发者可

ithome 983

为IP地址配置HTTPS证书:详解OpenSSL关键配置与避坑指南

HTTPS作为保障网络通信安全的核心协议,其基础依赖于SSL/TLS证书对服务器身份的验证。传统上,证书通过域名(DNS)进行绑定,但在开发测试、内网服务或IoT设备等场景中,直接使用IP地址访问HTTPS服务的需求十分普遍。现代浏览器遵循CA/Browser Forum的严格规范,已不再依赖证书的Common Name字段,转而强制要求使用subjectAltName扩展来标识服务器。这一机制要求IP地址必须以特定的“IP:”格式明确声明在SAN中,否则将触发证书无效警告。理解并正确配置subjectAl

weixin_33805743的博客 425

OpenSSL自签名证书实战:从零生成带SAN扩展的SSL/TLS证书

SSL/TLS证书是构建网络通信安全信任体系的基石,它基于非对称加密原理,通过证书颁发机构的数字签名,将服务器的公钥与其身份信息可靠绑定。这项技术为数据传输提供了机密性、完整性和身份验证三大核心价值,广泛应用于Web服务、API网关、数据库连接及微服务间通信等场景。在开发测试、内网部署或预算受限的环境中,自签名证书成为工程师实现加密通信的关键工具。本文聚焦于使用OpenSSL生成符合现代标准的自签名证书,重点解析了SAN扩展配置这一核心环节,并提供了从生成、部署到深度排查的完整工程实践指南,帮助开发者高效打

weixin_42706667的博客 332

Ubuntu下用OpenSSL生成带IP SAN的自签名SSL证书

自签名SSL证书是开发与测试环境中启用HTTPS的基础技术手段,其核心原理是利用OpenSSL工具链离线生成X.509格式的证书与私钥,并通过Subject Alternative Name(SAN)扩展支持IP地址和域名的双重校验。该技术规避了CA信任链依赖,显著降低本地HTTPS部署门槛,具备零网络依赖、5分钟快速交付、Nginx原生兼容等工程优势。典型应用场景包括Docker容器HTTPS封装、Vue/React本地开发服务器反向代理、Python/Java客户端内网API调用,以及Kubernete

weixin_30785593的博客 331

利用LDA进行主题建模,用困惑度和一致性曲线选取最优主题数

如果困惑度和一致性曲线效果图较好,确定了主题数量后,再单独跑一下2里面的程序。2中topic为5是我主观设置的,不一定为最优。

m0_56327159的博客 4225

用友U8库龄分析避坑指南:物料出入库日期计算的5个常见错误

本文深入剖析了在用友U8系统中进行库龄分析时,物料出入库日期计算的五个常见陷阱。从数据源选择、业务类型过滤、计价方式逻辑、期初数据处理到查询性能优化,逐一解析错误根源并提供避坑指南,帮助企业获得准确的库龄数据,有效管理库存与资金风险。

weixin_29209801的博客 457

ESP32系列之LVGL(三):Gui-Guider的使用

Gui-Guider的使用

m0_55986987的博客 2万+

别再死记公式了!用HFSS/CST手把手教你仿真一个2.4GHz WiFi的PIFA天线(附参数调试技巧)

本文详细介绍了使用HFSS和CST仿真软件设计2.4GHz WiFi PIFA天线的全流程,包括建模准备、分步操作指南和参数调试技巧。通过可视化结果和实战案例,帮助工程师快速掌握天线设计的关键参数优化方法,提升辐射性能和工作效率。

weixin_31682031的博客 339

GD32单片机开发环境搭建(Keil5安装)

1.安装MDK5 由于GD32 Keil 版本例程的工程是基于Keil MDK-ARM 5.25 uVision5 创建的,所以我在此也安装MDK5.25版本。 下载链接:https://pan.baidu.com/s/1E4tcDQvsVl0xezU3pEyJTA 提取码:s1fr 其他版本下载链接:https://cloud.tencent.com/developer/article/1605195 选择安装路径(不要装到中文路径下,避免不必要的麻烦): 用户信息随便...

fangye945a的博客 3万+

C# ScottPlot 5.0 WinForms 十字光标示例:轻松实现动态数值显示,你学会了吗?

ScottPlot是一个免费、开源的.NET交互式绘图库,能够轻松地实现大型数据集的交互式显示。它支持多种图表类型,如折线图、柱状图、饼图、散点图等。ScottPlot的性能非常出色,即使是处理千万级别的数据也游刃有余。

java专栏 2226

学Simulink——基于Simulink的固态变压器(SST)多级协同控制​

本文介绍了基于Simulink的固态变压器(SST)多级协同控制系统设计与仿真方法。SST作为智能电网关键设备,包含AC-DC整流、DC-DC隔离和DC-AC逆变三级变换器。针对级间耦合问题,提出了能量-功率协同控制策略,通过纵向解耦和横向联动实现稳定运行。详细演示了在Simulink中搭建三级主电路、设计协同控制器(含电网定向控制、功率前馈和虚拟惯性控制)的全过程,并通过负载突变测试验证了系统动态性能(直流母线电压波动<2%)。最后给出了工程部署建议,包括数字控制延时补偿、启动序列设计和代码自动生成

xiaoheshang_123的博客 213

展锐平台wifi连接性问题解决方案

对于断开连接的问题,需要从kernel log中确认下,是上 层主动发起的断开(会下发disconnect的命令),还是CP侧上报的断开事件。同学,别退出呀,我可是全网最牛逼的 WIFI/BT/GPS/NFC分析博主,我写了上百篇文章,请点击下面了解本专栏,进入本博主主页看看再走呗,一定不会让你后悔的,记得一定要去看主页置顶文章哦。1、出现wifi连接正常,但无法上网问题,首先确认其他手机是否可以正常上网,排除网络自身问题;3 路由器配置问题,出现过一个案例,恢复出场设置问题就解决了,具体根因。

手机-手表蓝牙开发工程师的博客 2024

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")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: PUBG Mobile Radar 1.2 海岛图失效修复:x32dbg 逆向分析 3 步定位地图名偏移
下一篇: Burp Suite 2024.5 代理抓包实战:5步复现Web登录请求拦截与参数分析
北宋人
博客等级 码龄10年 46粉丝 4047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