Netty权威指南读书笔记-第一章

首先介绍一下Linux网络IO模型:

1.阻塞IO模型

从系统调用直到数据到达并复制到应用进程缓冲区或发生错误才返回,整段时间都是被阻塞的。

2.非阻塞IO模型

如果系统调用缓冲区没有数据的话,立即返回一个EWOULDBLOCK错误,然后轮询检查这个状态,检查内核是不是有数据到达。

3.IO复用模型

进程通过将一个或多个fd传给select或者poll系统调用,阻塞在select操作上,这样select/poll会帮我们检测多个fd是否处于就绪状态,select/poll是顺序扫描fd,且支持的数量有限,因此使用收到了一些限制。Linux还支持一种epoll系统调用,epoll使用了基于事件驱动代替顺序扫描,因此性能更高,当fd就绪时,立即回调函数rollback。

4.信号驱动IO模型

首先开启套接口信号驱动IO功能,并通过系统调用sigaction执行一个信号处理函数(此调用立即返回,进程继续工作,是非阻塞的)。当数据准备就绪时,为该进程生成一个sigio信号,通过信号回调通知进程调用recvfrom来读取数据。

5.异步IO模型

告知内核启动某个操作,并让内核在整个操作(包括将数据从内核拷贝到用户自己的缓冲区)完成后通知我们。与信号驱动IO模型的区别:信号驱动IO由内核通知我们核实开始一个IO操作,.异步IO由内核通知我们IO操作已经完成。

Java NIO的核心类库多路复用器Selector就是基于epoll的多路复用技术。

在IO编程过程中,当需要同时处理多个客户端的请求时,可以使用多线程或者IO多路复用技术进行处理。

IO多路复用通过把多个IO的阻塞复用到同一个select的阻塞上,使得系统在单线程的情况下可以处理多个客户端请求。

与传统的多线程、多进程相比,IO多路复用最大的优势是系统开销小,系统不需要创建额外的进程或线程,也不需要维护这些线程或进程的运行,节省了系统资源,降低了系统维护的工作量。

使用场景:

1.服务器需要同时处理多个处于监听状态或者连接状态的套接字;

2.服务器需要同时处理多种网络协议的套接字。



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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