第三周作业

一、尝试基于gcc命令说明 c语言编译过程

gcc的编译过程分为四步:

1.会将.c的文件生成为.i的文件;

2.将预处理得到的源代码文件进行编译,生成汇编文件;

3.将汇编代码翻译成了机器码;

4.链接器会将目标文件与库文件进行连接,生成最终的可执行文件。

二、总结程序包管理器有哪些,以及包中包含什么内容的文件,尝试这些文件如何获取命令获取? yum/dnf/apt

主流的程序包管理器有:

Redhat:rpm文件,rpm包管理器,rpm:Redhat Package Manager,RPM Package Manager

deblan:deb文件,dpkg包管理器。

包含了:二进制程序、配置文件、说明文档、库文件。

三、总结开放系统互联OSI模型,每层作用及对应的协议。

①、应用层:负责处理特定应用程序的协议,例如电子邮件、文件传输、Web浏览等。以报文为单位进行通信。常用的协议有HTTP、FTP、SMTP等。
②、表示层:负责对应用层数据进行格式转换、数据加密、数据解密等处理,使得不同计算机的应用程序能够相互理解。以数据格式为单位进行通信。常用的协议有JPEG、MPEG等。
③、会话层:负责建立、管理和终止通信会话。以会话标识符为单位进行通信。常用的协议有NETBIOS、RPC等。
④、传输层:提供端到端的可靠传输和错误监测与修复,负责数据的分段和重组。以段为单位进行通信。常用的协议有TCP、UDP等。
⑤、网络层:负责数据在不同网络之间的路由选择和传输,通过IP地址标识不同的网络和设备。以数据包为单位进行通信。常用的协议有IP、ICMP、OSPF等。
⑥、数据链路层:负责数据在物理介质上的传输,通过对数据进行分帧、差错检测等处理来保证数据的可靠性。以帧为单位进行通信。常用的协议有以太网、无线局域网、PPP等。
⑦、物理层:负责计算机网络的物理连接,包括电路、电缆、网络适配器等。以比特流的形式进行通信。常用的协议有以太网、无线局域网、光纤通信等。

四、 调整动态端口范围为20000-60000

cat/proc/sys/net/ipv4/ip_local.portrange

echo"2000" > /proc/sys/net/ipv4/ip_local_port_range
echo"60000" > /proc/sys/net/ipv4/ip_local_port_range

五、总结IP地址 A, B, C, D 类,并解析IP地址的组成

A类IP地址:由1字节的网络地址和3字节主机地址组成,它主要为大型网络而设计的,网络地址的最高位必须是“0”, 地址范围从1.0.0.0 到127.0.0.0)。可用的A类网络有127个,每个网络能容纳16777214个主机。其中127.0.0.1是一个特殊的IP地址,表示主机本身,用于本地机器的测试。

B类IP地址:由2个字节的网络地址和2个字节的主机地址组成,网络地址的最高位必须是“10”,地址范围从128.0.0.0到191.255.255.255。可用的B类网络有16382个,每个网络能容纳6万多个主机 。

C类IP地址:由3字节的网络地址和1字节的主机地址组成,网络地址的最高位必须是“110”。范围从192.0.0.0到223.255.255.255。C类网络可达209万余个,每个网络能容纳254个主机。

D类IP地址:用于多点广播(Multicast)。D类IP地址第一个字节以“lll0”开始,它是一个专门保留的地址。它并不指向特定的网络,目前这一类地址被用在多点广播(Multicast)中。多点广播地址用来一次寻址一组计算机,它标识共享同一协议的一组计算机。224.0.0.0到239.255.255.255用于多点广播 。

六、201.222.200.111/18计算主机数?子网掩码?说明计算方法

主机数为:2*(32-18)-2=16382

子网掩码为:255.255.192.0

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
你好!改善深层神经网络的方法有很多,以下是一些常见的方法: 1. 使用更好的激活函数:传统的激活函数如Sigmoid、tanh等可能存在梯度消失或爆炸的问题。可以尝试使用ReLU、Leaky ReLU、ELU等激活函数,以减轻这些问题。 2. 使用批标准化(Batch Normalization):批标准化对网络的输入进行标准化,有助于加快网络的训练速度,并且可以缓解梯度问题,使得更深层的网络也能够训练得更好。 3. 使用残差连接(Residual Connections):残差连接可以帮助信息在网络中更好地流动,从而减轻梯度消失的问题。通过将某些层的输出与输入相加,可以使得网络更易于训练。 4. 使用更好的优化算法:传统的梯度下降算法如随机梯度下降(SGD)可能存在训练速度慢、易陷入局部最优等问题。可以尝试使用更高级的优化算法如Adam、RMSprop等,以加快模型的收敛速度。 5. 添加正则化:过拟合是深层神经网络常见的问题之一。可以通过添加正则化项如L1正则化、L2正则化等来限制模型的复杂度,防止过拟合的发生。 6. 数据增强:通过对训练数据进行一些随机的变换,如平移、旋转、缩放等,可以增加模型的泛化能力,防止过拟合。 这些方法只是改善深层神经网络的一部分,具体的选择和调整需要根据具体问题和数据集来进行。希望对你有所帮助!

“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