Udp编程

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Net.Sockets;
using System.Net;

namespace MySockets
{
    public class UdpTransciverEventArgs  : EventArgs
    {
        public byte[] Data;
        public UdpTransciverEventArgs(byte[] Data)
        {
            this.Data = Data;
        }
    }
    public class UdpTransceiver
    {
        private UdpClient sender;
        private IPEndPoint remoteEndPoint;
        private int maxOnceSend;
        private int offset;
        private int delayMillis;
        private byte[] dataToSend;
        private bool isSending;
        private bool isReceiving;
        private void OnReceived(object sender, UdpTransciverEventArgs e)
        {
            if (UdpReceiveDetected != null)
                UdpReceiveDetected(sender, e);
        }
        private void ReceiveOnce(IAsyncResult ia)
        {
            UdpClient client = ia.AsyncState as UdpClient;
            byte[] data = client.EndReceive(ia, ref localEndPoint);
            if(isReceiving)
                OnReceived(receiver, new UdpTransciverEventArgs(data));
            if (isReceiving)
            {
                receiver.BeginReceive(ReceiveOnce, receiver);
            }
            else
            {
                receiver.Close();
            }

        }

        private void SendOnce(IAsyncResult ia)
        {
            UdpClient client = ia.AsyncState as UdpClient;
            int sent = client.EndSend(ia);
            offset += sent;
            //下一次还要发送多少字节
            int cnt = offset + maxOnceSend >= dataToSend.Length ? (dataToSend.Length - offset - 1) : maxOnceSend;

            if (cnt > 0 && (isSending))
            {
                System.Threading.Thread.Sleep(delayMillis);
                //delayMillisecond(delayMillis);
                byte[] tmp = new byte[cnt];
                Array.Copy(dataToSend, offset, tmp, 0, cnt);
                sender.BeginSend(tmp, cnt, remoteEndPoint, SendOnce, sender);
                OnSend(client, new UdpTransciverEventArgs(tmp));
            }
            else
                sender.Close();
        }
        private void EndTmpSender(IAsyncResult ia)
        {
            UdpClient client = ia.AsyncState as UdpClient;
            client.EndSend(ia);
            client.Close();
        }
        private void OnSend(object sender, UdpTransciverEventArgs e)
        {
            if (UdpSendDetected != null)
                UdpSendDetected(sender, e);
        }
        private void PrepareSend(int maxOnceSend,int delay,byte[] data)
        {
            offset = 0;
            isSending = true;
            this.maxOnceSend = maxOnceSend;
            this.delayMillis = delay;
            this.dataToSend = data;
        }
        public bool IsSending{get {return isSending;}}
        public bool IsReceiving{get {return isReceiving;}}
        private UdpClient receiver;
        private IPEndPoint localEndPoint;
        //Not used.
        private void DelayMillisecond(long dlyMilliseconds)
        {
            long beginTime = DateTime.Now.Ticks;
            long dlyTick = dlyMilliseconds * TimeSpan.TicksPerMillisecond;
            while (true)
            {
                long endTime = DateTime.Now.Ticks;
                if ((endTime - beginTime) > dlyTick)
                    break;
            }
        }
        public event EventHandler<UdpTransciverEventArgs> UdpReceiveDetected;
        public event EventHandler<UdpTransciverEventArgs> UdpSendDetected;
        
        public void InitSender(string ipAddress, int port)
        {
            this.sender = new UdpClient();
            try
            {
                IPAddress ip = IPAddress.Parse(ipAddress);
                this.remoteEndPoint = new IPEndPoint(ip, port);
            }
            catch (ArgumentException ar)
            {
                throw new ArgumentException("Illegal ip address format");
            }
        }
        public void StartSend(byte[] data, int bytes, int delay)
        {
            PrepareSend(bytes, delay, data);
            bytes = bytes > data.Length ? data.Length : (bytes);
            sender.BeginSend(data, bytes, remoteEndPoint, SendOnce, sender);
            
        }
        //ip:ip地址,为null表示任意ip
        //port:端口号
        public void InitReceiver(string ip,int port)
        {
            #region variable verify
            if (ip == null)
            {
                localEndPoint = new IPEndPoint(IPAddress.Any, port);
            }
            else
            {
                IPAddress ipAddress;
                try
                {

                    ipAddress = IPAddress.Parse(ip);

                }
                catch (ArgumentException ar)
                {
                    throw new ArgumentException("Illegal ip address format");
                }
                localEndPoint = new IPEndPoint(ipAddress, port);
            }
            #endregion
            receiver = new UdpClient(localEndPoint);
        }
        public void StartReceive()
        {
            isReceiving = true;
            receiver.BeginReceive(ReceiveOnce, receiver);
        }
        public void StopSend()
        {
            isSending = false;
        }
        public void StopReceive()
        {
            this.isReceiving = false;
            UdpClient tmp = new UdpClient();
            tmp.BeginSend(new byte[] { 0xff }, 1, localEndPoint, EndTmpSender, tmp);
        }
        
        
    }
}
Udp收发,并解决了异步接收时,在收到数据前关闭UdpClient会发生异常退出的问题。
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。
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