雷电模拟器9.0最新过检测实战:从修改Build.prop到Xposed模块配置全流程

新版雷电模拟器过应用检测技术详解 雷电模拟器(LDPlayer)是一款流行的Android模拟器,广泛应用于游戏、应用测试等领域。然而,许多应用会检测是否运行在模拟器环境中,这给用户带来了一些困扰。本文将详细介绍如何绕过这些检测机制。本文介绍了多种绕过雷电模拟器检测的方法,包括修改系统属性、模拟真实设备信息、使用Xposed框架等。这些方法可以帮助开发者和研究人员更好地理解模拟器检测机制,但使用时需要注意相关法律法规和道德规范。 阅读详情

雷电模拟器9.0深度伪装实战:构建无痕“真机”环境的完整体系

如果你是一名游戏开发者,或者对移动应用逆向工程有浓厚兴趣,那么你一定遇到过这个令人头疼的问题:精心编写的应用或脚本,在雷电模拟器上运行得好好的,一打开目标游戏或应用,要么直接闪退,要么弹出一句冷冰冰的“设备环境异常”。这背后,是应用方日益严苛的模拟器检测机制在起作用。对于依赖模拟器进行多开、自动化测试或安全研究的我们来说,这无异于一道必须跨越的门槛。

今天要探讨的,远不止是修改几个文件那么简单。我们将从底层原理出发,构建一套针对雷电模拟器9.0的、系统性的深度伪装方案。这套方案的目标,是让模拟器从硬件信息、系统属性、运行时行为到网络特征,全方位地“扮演”一台真实的Android设备,从而平稳绕过绝大多数检测。这不仅是技巧的堆砌,更是一种对抗性思维的实践。请注意,所有操作均建议在独立的测试环境中进行,用于学习与研究移动应用的安全机制。

1. 理解检测机制:知己知彼,百战不殆

在动手之前,我们必须先搞清楚“敌人”是如何发现我们的。应用的检测手段通常是一个多层次的立体网络,而非单一检查点。盲目修改往往顾此失彼,只有系统性地理解这些层面,才能进行有效的反制。

硬件抽象层(HAL)与QEMU特征:雷电模拟器基于QEMU虚拟化技术。QEMU会向系统暴露一些特定的硬件标识符。例如,在 /proc/cpuinfo 文件中,你可能会看到 vendor_id : GenuineIntel 后面紧跟着 model name : QEMU Virtual CPU version 2.5+,或者直接包含 goldfish(Android模拟器的传统内核)字样。这是最基础的检测点之一。

Android Build 属性:这是检测的重灾区。android.os.Build 类下的静态字段,如 MODEL、MANUFACTURER、FINGERPRINT、HARDWARE、PRODUCT 等,在模拟器中通常包含 sdk、google_sdk、emulator、generic、x86 等关键词。例如,原生模拟器的 Build.MODEL 往往是 Android SDK built for x86。

系统属性(System Properties):通过 getprop 命令可以查看的大量只读属性,同样藏有玄机。例如:

  • ro.kernel.qemu=1:这是QEMU环境的明确标志。
  • ro.hardware=goldfish 或 ro.hardware=ranchu:指代模拟器的虚拟硬件。
  • ro.product.cpu.abi=x86 或 x86_64:而绝大多数真实手机是 armeabi-v7a 或 arm64-v8a。

文件系统与特定路径:应用会检查是否存在模拟器特有的文件或目录。例如,检查 /dev/socket/qemud、/dev/qemu_pipe 是否存在,或者寻找雷电模拟器自身的一些特征文件。

传感器与硬件能力:真实的手机拥有丰富的传感器(加速度计、陀螺仪、光线传感器、距离传感器等)。模拟器虽然可以模拟部分传感器,但其数据生成模式、存在性列表或响应延迟可能与真机有细微差别,成为高级检测的突破口。

网络与运营商信息:模拟器通常没有真实的SIM卡,因此 TelephonyManager 提供的设备ID(IMEI)、运营商代码(MCC/MNC)、网络类型等数据要么为空,要么是预设的默认值。

理解了这些层面,我们的伪装工作就有了清晰的蓝图:我们需要在每一层都精心布置,打造一个毫无破绽的“数字替身”。

2. 基础环境准备与Root权限获取

任何深度的系统修改都离不开Root权限。雷电模拟器9.0默认并不开启Root,我们需要进行一些初始化设置。

首先,确保你使用的是雷电模拟器9.0版本。在模拟器主界面,点击右侧工具栏的齿轮图标进入设置。在其他设置选项卡中,找到并开启 “Root权限” 开关。开启后,模拟器会提示重启,请务必重启以使Root生效。

重启后,我们需要一个工具来管理和使用Root权限。这里推荐使用 Magisk,因为它不仅能提供Root,其模块系统更是我们后续进行动态伪装的神兵利器。在模拟器内安装Magisk管理器(Magisk Manager)APK。

注意:为模拟器刷入Magisk的过程与真机略有不同,通常需要替换模拟器的引导镜像(boot.img)。一个相对安全的方法是使用社区开发者为雷电9适配的Magisk补丁镜像文件。操作前,请务必备份好模拟器数据。

获取并刷入Magisk后,打开Magisk Manager,确认首页显示“已安装”且SafetyNet检查(如果应用)能通过基础验证。

雷电模拟器安装面具环境并过软件检测系列(看这一篇就够了!) 雷电模拟器安装面具环境并过基本软件的环境检测 阅读详情

相关推荐

《模拟器过检测教程:Nox、雷电、Mumu、逍遥模拟器 Magisk、LSposed 框架安装与隐藏应用配置》

2/2 ChatGPT 说: 本教程详细介绍了如何在四款主流安卓模拟器(Nox、雷电、Mumu、逍遥)中通过安装 Magisk、LSposed 框架实现过检测功能。文章首先介绍了模拟器的基本设置和必备工具的安装步骤,包括如何安装面具鸭(Magisk)和激活 Zygisk 框架,确保模拟器具备隐藏应用和绕过检测的能力。接着,重点讲解了如何配置前端应用、隐藏应用设置及修改设备信息,以避免被检测工具发现。文章还提供了常见问题的解决方案,如应用无法正常运行和检测未通过的情况。此外,本教程还包含了每款模拟器的具体操

专注技术分享 1万+

安卓模拟器绕过检测全解析:雷电、MuMu、蓝叠、逍遥、夜神与WSA完整指南

随着手机游戏和应用的普及,越来越多的用户选择在PC上通过模拟器来运行安卓应用。然而,许多应用和游戏为了防止作弊或出于安全考虑,会检测是否运行在模拟器环境中。本文将详细介绍各大主流模拟器的检测绕过方法,帮助用户在电脑上流畅体验各类安卓应用。1. 获取模拟器系统镜像2. 使用ROM厨房工具修改系统文件3. 替换模拟器的系统镜像雷电模拟器:适合游戏,推荐使用MAGISK + EdXposed方案MuMu模拟器:适合中度游戏,推荐太极框架蓝叠模拟器:适合国际应用,推荐MAGISK方案逍遥模拟器。

专注技术分享 4万+

雷电模拟器9.0.24过检测实战:从硬件伪装到Xposed模块配置全流程

本文详细解析了雷电模拟器9.0.24面临的应用检测机制,并提供了从硬件指纹伪装、系统属性修改到利用LSPosed框架进行动态拦截的全流程实战方案。文章旨在帮助开发者、测试人员通过系统性的隐匿策略,有效绕过环境检测,解决应用闪退或功能受限问题,适用于兼容性测试与安全研究等合规场景。

w1x2y3的博客 544

雷电模拟器9.0系统参数修改与兼容性调试实战

Android应用的运行行为高度依赖系统属性所描述的设备信息,不同设备之间的差异往往导致同一份APK在真机与模拟器上表现迥异。理解build.prop的加载机制,掌握系统属性的读取与修改方式,是提升调试效率的关键。通过ADB查询、文件编辑、Magisk模块注入以及setprop运行时调整,开发者可以针对测试目标灵活配置设备参数。在此基础上,Xposed框架提供Java层方法级拦截能力,用于处理传感器、API返回值等非系统属性层面的兼容问题。在模拟器环境中进行系统参数适配时,还需关注ABI匹配、运行时组件完整

weixin_33910191的博客 264

雷电模拟器9真机参数修改全攻略

安卓模拟器通过虚拟化技术实现移动应用测试环境搭建,其核心在于系统级参数配置与硬件特征模拟。设备指纹作为识别真机的关键数据,包括硬件标识、构建属性、传感器配置等多维度信息。通过修改build.prop系统文件、注入真机参数以及hook系统函数等技术手段,可以实现模拟器环境的深度定制。这种技术在移动应用兼容性测试、自动化脚本调试等工程场景中具有重要价值,特别是在跨境电商、社交营销等需要设备多样性的领域。雷电模拟器9凭借其开放的x86架构,成为实施设备参数修改的理想平台,通过本文介绍的持久化修改方案,可有效提升模

weixin_29194817的博客 291

雷电模拟器9真机环境修改指南:设备指纹与机型模板全解析

在Android应用开发与测试中,设备风控常通过系统属性、硬件标识、运行环境等多维数据识别模拟器。所谓设备指纹,正是由build.prop中的型号字段、/proc/cpuinfo中的CPU信息、GPU渲染参数等共同构成,模拟器与真机在这些细节上的差异很容易暴露身份。理解这些检测原理后,通过修改系统配置、关联厂商专属字段、调整网络标识等手段,可让模拟器环境更接近真实设备,提升兼容性测试与多开场景的稳定性。针对不同应用类型选择合适机型模板,并保证品牌、型号、硬件参数内部自洽,是绕过风控的关键。以雷电模拟器9为例

weixin_29164091的博客 321

Android模拟器安装Xposed框架全攻略

Xposed框架作为Android系统级Hook工具,通过动态修改运行时内存实现功能扩展,无需重编译APK。其核心原理是基于zygote进程注入,拦截Java方法调用,在逆向工程、自动化测试等领域具有重要价值。本文以雷电模拟器为例,详细介绍x86架构下的Xposed框架安装流程,包括环境配置、版本选择、常见问题解决等实战技巧,并探讨在逆向分析、自动化测试等典型场景中的应用方法。针对模拟器性能优化和安全隔离等工程实践问题,提供了具体解决方案。

weixin_34232744的博客 540

雷电模拟器HTTPS抓包全攻略:从证书授信到疑难杂症解决

HTTPS抓包是移动安全测试和开发调试中的核心技能,其原理基于中间人攻击技术。抓包工具通过拦截并解密HTTPS流量,实现对网络通信内容的分析,这在应用安全审计、协议分析和接口调试中具有重要价值。然而,安卓系统从7.0开始引入的网络安全策略,导致用户安装的CA证书不再被高版本SDK应用默认信任,这成为抓包实践中的常见障碍。针对雷电模拟器这一常用安卓测试环境,解决方案需从证书存储机制入手:对于低版本应用,可通过安装用户证书实现;对于高版本应用,则需利用模拟器的可Root特性,将证书安装到系统证书目录。此外,还需

weixin_34112181的博客 394

模拟器改机不求人:用Magisk Delta(狐狸面具)+ LSPosed框架在雷电上玩转模块化

本文详细介绍了如何在雷电模拟器上使用Magisk Delta(狐狸面具)和LSPosed框架进行深度定制,突破应用环境检测限制。通过优化隐藏能力、增强模块兼容性,实现设备信息伪装和模拟器检测绕过,帮助用户在PC端高效运行各类安卓应用。

weixin_30802819的博客 376

安卓模拟器过检测:设备指纹与自动化测试环境适配

运行环境识别与设备指纹是移动端风控和自动化测试共同面对的基础问题。应用通常通过 Android Build、getprop 系统属性、文件与进程残留、传感器读数、电池曲线、网络与 SIM 信息、Root/Frida/Xposed 痕迹等维度,判断当前环境是否与真机一致。理解这些检测原理的价值在于:既能提升自动化测试与兼容性验证的稳定性,也能在云真机、群控、RPA 等场景中减少环境误判导致的启动拦截和流程中断。围绕模拟器过检测,实际落地往往需要对齐设备指纹、清理专属文件、补齐传感器并保持网络标识自洽。针对雷电

weixin_34117211的博客 301

Zygisk-IL2CppDumper动态逆向Unity游戏攻防实战与防御方案

在移动应用安全领域,代码保护与逆向分析是永恒的技术对抗。IL2CPP作为Unity引擎的核心编译技术,通过将C#中间语言转换为C++原生代码,有效提升了执行效率并增加了静态分析难度,其原理在于剥离托管代码的元数据并生成机器码。这项技术的核心价值在于为移动游戏和应用程序提供基础的安全保护层,防止核心逻辑被轻易反编译。然而,动态内存取证技术的发展使得运行时分析成为可能,攻击者可以在应用执行时提取关键数据结构。Zygisk-IL2CppDumper正是这一技术路线的典型代表,它结合Zygisk框架的系统级注入能力

weixin_33912246的博客 327

安卓APP逆向进阶:动态调试、算法还原与协议破解实战指南

在移动应用安全与数据分析领域,逆向工程是理解应用内部逻辑、分析通信协议的核心技术。其基本原理是通过静态与动态分析手段,解析应用代码与数据流,从而还原其运行机制。这项技术的核心价值在于能够穿透应用防护,实现安全评估、数据接口分析及自动化流程构建。在应用场景上,广泛服务于安全研究、数据采集、风控策略验证及自动化测试等多个领域。本文聚焦于安卓APP逆向的中高阶实战,系统讲解如何运用Frida动态调试、Unidbg模拟执行等关键技术,解决代码混淆、SSL Pinning、Native层加密等核心难题,最终实现从协议

axfcjwkbi259888707的博客 388

雷电模拟器改真机环境(包括安装包)

雷电模拟器改真机(包含雷电模拟器特定版本(亲测这个版本可以过root检测,其他版本安装了会卡在94%)+面具优化版+LSPSED模块+加几个机型模块)

雷电模拟器9改真机环境【面具magisk开启root】

面具magisk开启root,雷电模拟器上模拟真机环境。该压缩包,包括了模拟器(雷电模拟器9.exe),面具,RE管理器(Root_Explorer-v4.10.3-by_Alphaeva.apk),机型模组(iPhone12机型模块_magisk,LSPosed-v1.8.6-6909-zygisk-release,OPPOR9s机型模块_magisk,OXF-AN00机型模块_magisk,SM-N9760机型模块_magisk,vivoPD1728机型模块_magisk)。 A 安装面具 B 刷入机型压缩包,重启生效 C 机型更改app 可以制作机型压缩包,可以导出云机型压缩包

数据库1:数据库创建与管理(头歌云课)

在 Windows 系统中,可以直接通过 SQLServer 的应用程序连接数据库,不过很多时候在生产环境下,我们需要通过命令行来连接数据库。两个数据库,数据库名分别为 TestDb 和 MyDb 的数据库,注意先后顺序。为了完成本关任务,你需要掌握:1.如何在 Linux 系统中连接 SQLServer 数据库,2.如何创建数据库。连接的数据库是本地数据库,用户名是 sa ,密码是 '

weixin_60530224的博客 2315

别光看教程了!手把手带你用STM32F103C8T6最小系统板点亮第一个LED(附完整电路图)

本文详细介绍了如何使用STM32F103C8T6最小系统板点亮第一个LED,从硬件连接到软件开发环境搭建,再到编写和下载程序,手把手教你完成STM32入门的第一步。适合初学者快速上手STM32开发,附完整电路图和代码示例。

weixin_28678831的博客 199

如何快速学习 PHP 编程:从入门到实战的高效路径

PHP高效学习路线摘要:4-8周掌握Web开发核心技能。阶段1(1周)搭建XAMPP/MAMP环境,掌握基础语法和变量处理;阶段2(2周)重点学习表单处理、会话管理和PDO数据库操作(防SQL注入);阶段3(2-3周)实战开发个人博客等小项目。关键原则:边学边练(每个知识点配3-5个案例)、优先掌握Web刚需技能(HTTP请求、数据库、动态页面)、善用官方手册。避坑点:密码必须加密、SQL使用预处理、统一UTF-8编码。建议每天2-3小时实操,通过项目驱动学习,快速形成开发能力。

2501_94233638的博客 1392

论文、报告中那些乱七八糟的图(甘特图、卡吉图,桑基图,小提琴图,弦图,螺旋图,风玫瑰图)

在一些论文或报告中,总是会看到一些熟悉的图,但作者总是不能好好说话,非得搞个洋名字、缩写字或者半洋半中的词来显示它多么高大上,有时候这种故弄玄虚、华而不实的写法也实在是让人看了不伦不类,图首先是让读者更容易看懂的,不是让你来故作高深、玩玄学的。

David_jiang 9448

基于STM32F103设计的智能门锁(支持多种开锁解锁方式)

这个智能锁模型是基于STM32平台开发的,支持多种开锁方式。其中,一种是使用RC522射频卡读卡器读取IC卡卡号和内部数据,并验证身份后开锁;另一种是通过连接蓝牙地址来确认业主身份,实现了蓝牙自动开锁功能;最后一种是通过ESP8266连接腾讯云物联网平台,并且用户可以通过微信小程序“腾讯连连”进行远程开锁和关锁。这样,用户就可以选择最方便的方式来进行开锁操作了。

3万+

stable diffusioncontrolNet 预处理器/模型的下载及安装使用教程

首先说明,controlNet 的模型 不同于stable diffusion 模型,这一点一定要区分清楚。下面提供多个ControlNet 预处理器+ 专用模型的百度网盘下载链接,都是由群友整理贡献,但各自包含的版本不同,大家可自行选择。推荐下载紫色链接内的模型,fp16版文件更小,稍微新一些的controlnet插件还添加了对control-lora的支持(注意,要求controlnet插件的版本比12月16号新(1.1.423以上)才能正常识别),推荐下载;

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 3391

边缘AI工业落地:YOLO26-Seg + RK3588 NPU 极致部署(低功耗+实时实例分割,工业场景全覆盖)

本次实战汇总了「YOLO26-Seg+RK3588 NPU」工业边缘部署中最常见、最致命的8个坑点,所有坑点均来自真实工业项目,解决方案均为零代码/一键操作,无需复杂配置,能让你少走90%的弯路,节省大量时间,必看必记!❌ RKNN转换报错「算子不支持/模型加载失败」→ ✅ 导出ONNX时必须指定opset=12,重新导出即可,RK3588唯一兼容版本;❌ 分割mask错位/轮廓模糊 → ✅ 导出ONNX时加,并保证RKNN的归一化参数与YOLO26一致,零代码修复;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1722

Simulink仿真入门到精通(三) Simulink信号

本系列教程是根据孙忠潇编著的<<Simulink仿真及代码生成技术入门到精通>>学习笔记。 目录 Simulink仿真入门到精通(一) Simulink界面介绍 Simulink仿真入门到精通(二) Simulink模块 Simulink仿真入门到精通(三) Simulink信号 Simulink仿真入门到精通(四) Simulink子系统 Simulink仿真入门到精通(五) Simulink模型的仿真 Simulink仿真入门到精通(六) Simulink模型保存为图片 Sim

king110108的专栏 5399

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: Cloudflare Workers vs Pages:免费动态托管的深度配置与实战指南
下一篇: LLaMA Factory实战指南:从零部署到高效微调
z4a5b6
博客等级 码龄3年 61粉丝 1806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