网络近些年的一些变化

网页的大小

● 2003年,全世界网页的平均大小是93.7KB,2008年增长到312KB,5年中翻了3.3倍。(这里的网页大小包括图片、CSS文件、Javascript文件、flash文件等等。)

● 每张网页包含的对象数,从25.7个上升到49.9个。(凡是需要发出独立http请求的网页元素,都算作一个对象。)

● 据统计,每增加1个对象,网页载入的平均时间就增加40毫秒(宽带)或250毫秒(窄带)。

● 研究表明,凡是包含超过4个对象的网页,都会产生“显示延迟”问题,因为浏览器需要时间下载全部对象。

网速的变化

● 2006年2月,美国宽带用户访问40个主要网站(KB40)的平均网页载入时间是2.8秒,2008年2月,这个指标下降到2.3秒。

● 但是与此同时,窄带用户的单张网页载入时间上升到20~30秒。

网页的构成

● 网页大小中,平均54%来自于图片。

● 如果去掉广告,网页的大小和对象数会减少25%到30%。

● 84.8%的网页使用Javascript。

● 超过52%的网页使用框架frame,其中绝大多少是用于显示广告的iframe。

● 使用CSS,可以使HTML文件的大小减小15%-20%。

关于视频

● 1997年的时候,网页上的视频长度一般不超过45秒。到了2005年,网页视频长度的中位数,增加到120秒,2007年又进一步增加到192.6秒。

● 2005年,观看Youtube上的视频,要求的平均带宽是200Kbps(相当于网速每秒25KB)。到了2007年,上升到328Kbps(相当于网速每秒42KB)。

● 2007年底,网页视频的平均大小为63MB。

● 87%的网页流媒体节目,在开始播放的10秒内,就会被用户关掉。它们浪费的带宽占到服务器端总带宽的20%。

● 流畅播放一段320X240、每秒15帧画面的视频,要求的网速是每秒38.4KB。如果视频大小增加到640X480,要求的网速就会增加到每秒153.6KB。(请注意,每秒15帧是视频质量的最低限,正常质量的视频至少需要每秒24帧。)

 

文章来源:网络近些年的一些变化

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
近些年出现的卷积神经网络(Convolutional Neural Networks,CNN)是一在计算机视觉领域取得大成功的深度学习模型。它在图像识别、目标检、图像分割等任务上表现出色。以下是一些近年来出现的卷积神经网络: 1. LeNet-5:LeNet-5是由Yann LeCun等人于1998年提出的第一个卷积神经网络模型,用于手写数字识别。它包含了卷积层、池化层和全连接层,并使用了激活函数和softmax分类器。 2. AlexNet:AlexNet是由Alex Krizhevsky等人于2012年在ImageNet图像识别竞赛中获胜的模型。它采用了深度卷积神经网络结构,并引入了ReLU激活函数和Dropout正则化技术,大大提升了图像识别性能。 3. VGGNet:VGGNet是由Karen Simonyan和Andrew Zisserman于2014年提出的模型。它采用了更深的网络结构,包含了16或19个卷积层,使用小尺寸的卷积核和较小的步幅,使得网络更加深层和精细。 4. GoogLeNet:GoogLeNet是由Google团队于2014年提出的模型,它采用了Inception模块,通过并行使用不同尺寸的卷积核和池化层,提高了网络的宽度和深度,减少了参数数量。 5. ResNet:ResNet是由Kaiming He等人于2015年提出的模型,它引入了残差连接(residual connection)的概念,解决了深层网络训练中的梯度消失和梯度爆炸问题,使得网络可以更深。 6. MobileNet:MobileNet是由Google团队于2017年提出的模型,它针对移动设备的计算资源有限的情况进行了优化。MobileNet使用了深度可分离卷积(depthwise separable convolution)来减少计算量和参数数量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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