java io 读书笔记

阅读《java+TCP/IP+Socket编程》随笔

  1. 套接字:java为是实现应用程序的相互通信提供了许多api,这类应用接口的api称为套接字。
  2. 分组报文:由程序创建和解释的字节序列。一组报文包括了网络用来完成工作的控制信息,有时还包括一些用户数据。路由器就是通过这些控制信息来实现对每个报文的转发(路由器的作用就是将信息从一个通信信道传递或转发到另一个通信信道)。
  3. 协议:相当于相互通信的程序间达成的一种约定,它规定了分组报文的交换方式和它们包含的意义(即该如何解析分组报文)。
  4. io网络传输的流程:application->socket(套接字)->UDP/TCP->IP->channel->Router IP->channel->IP-UDP/TCP->socket->application
  5. ip协议(尽力而为协议,best-effort)所在的层为网络层(识别网络上的每一个主机),在它之上的就是UDP/TCP和socket套接字的传输层。既然是尽力而为就会发生报文丢失、重复及其他错误。TCP协议能够检测和恢复这些错误,为UDP仅仅只是扩展了寻址的功能,不会修复错误。
  6. UDP/TCP在ip层提供的基础服务之上,使用了不同的方法来实现不同方式的传输。它们有一个共同的功能,即寻址。当ip找到主机后,还需要更细粒度的寻址将报文发送到主机中指定的应用程序(即端口),因此它们也称为端到端传输协议。
  7. ipv4中有一些私有用途的地址:所有以10或192.168开头的地址,以及第一个数是172,第二个数在16到31的地址。它们不属于公共互联网,从公共互联网不能访问到这些地址。但是这些地址可以通过NAT(网络地址转换)设备连接到互联网。这设备的功能是将一个接口中报文的私有地址端口对映射成另一个接口中的共有地址端口对,这也就使一小组主机能够有效的共享同一个IP地址。
    还有一个就是回环地址127.0.0.1[] ,它的功能只是简单地将发送给它的报文直接回发给发送者。
  8. NetWorkInterface.getNetworkInterfaces()返回包含了该主机每一个接口所对应的NetworkInterface类实例 InetAddress
  9. read数据的时候注意:数据可能从多个块(chunks)中返回,所以要多次read;
  10. Serversocket(int port, it queueLimit, InetAddress localAddr); 注意最后一个本地接口地址的参数,这样对有多个接口(多个ip)而服务器只接受其中一个接口连接的主机非常有用。
  11. 流:是一个简单有效的字节序列,xxxStream用来操纵它。
  12. 注意inputStream的read()方法,如果没有数据可读同时又没有检测到流结束标记时,所有的read()方法都将阻塞。
  13. UDP注意设置timeout时间,防止一直阻塞在receive()方法,原理同上。
  14. 重要的区别:UDP协议保留了消息的边界信息。DatagramSocket的每一次receive()调用最多只能接受调用一次send()方法所发送的数据。而且不同的receive()方法调用绝不会返回同一个send()方法调用所发送的数据。同时receive()方法的DatagramPacket的过小,就会造成消息丢失,且没有任何提示。
  15. 因为DatagramPacket内部的消息长度值会变,所以每次使用都要重置为缓冲区大小;而且getData()方法返回的是缓冲区的原始大小,所以一定要关注发送时的偏移量和消息长度。
  16. TCP协议的定界符:要么显式定义唯一特殊符号,要么加一个显式长度;
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