5分钟搞懂:session与cookie

http是无状态协议

无状态协议的意思是服务端与客户端不会记录任何一次通信的信息。诺兰有一部电影《记忆碎片》,说的是一个有“短期记忆丧失症”的人根据自己支离破碎的记忆来找到杀害自己妻子的凶手的故事。因为记不住发生的事,电影中那个老兄只能靠写字条帮忙记录事情。

无状态协议的通信双方就是“失忆症患者”,而且是永久性的。“服务端君”和“客户端君”虽然见过很多面,但每次见面仍还是认不出对方,都是陌生人。但是,有时候认出用户是必须的,如在用户用户登录时,必须能记住用户的登录状态。

session与cookie就是为解决http无状态导致的问题引入的。

session

session是服务端的用户信息存储。“服务端君”作为永久性的失忆症患者,记不住任何事情,就像电影中那位老兄一样,只能靠外部手段 - 写字条来记录见过的所有“客户端君”,在那个字条上,它或许会写上

序号:#98
见面时间:2019/1/28 12:30
姓名:老王
 ...

,然后放进口袋,等下次见面时,可以查一下字条,看看有没有见过面,是不是陌生人。这个字条就是session,是服务端的用户信息存储。但这里有一个问题,下次见面时,“服务端君”根据什么去查字条呢?怎么把眼前的人和口袋里的字条联系起来?这就涉及到cookie。

cookie是服务端保存在客户端的用户信息。“服务端君”想下次见面时能认出眼前的“客户端君”,由于“客户端君”也是失忆症患者,记不住事,“服务端君”写了张条子交给“客户端君”,让它下次见面时带来,“客户端君”把条子放进了口袋。条子的内容:

序号:#98

这样下次见面时,“服务端君”根据客户端君带来的条子里的序号,翻翻自己的口袋,找出对应的字条,就能识别出眼前的这位“客户端君”了。“服务端君”给“客户端君”的条子就是cookie,条子的内容就是session ID。

“服务端君”可以写任何条子给“客户端君”,不仅仅是序号,也就是说服务端可以把其他信息也写入客户端的cookie中。例如这位“服务端君”是卖东西的,它可以把这次见面“客户端君”看了什么东西写进条子交给“客户端君”,下次见面时,“客户端君”带来的条子里写了上次看过的东西,这样就可以向它推荐它感兴趣的东西了。

1598739-20190202095400614-1979127768.png

小结

我们以打比方的方式介绍了session与cookie。
session是服务端的用户信息存储,中文经常翻译为会话,是一种服务器端的机制,一种用于在客户端与服务器端之间保持状态的解决方案。

cookie是服务端保存在客户端的用户信息,可以理解为服务端给客户端贴的纸条,纸条可以是任何内容。cookie在浏览器端以文件的方式保存信息,下次访问同个服务器时(同样域名)时,会自动发回cookie信息。cookie一般的使用场景:

  • session管理,如上面提到的
  • 个性化信息,如用户页面皮肤设置
  • 用户行为跟踪

访问时cookie每次都会自动上传,被认为有点浪费。现在有更好的客户端存储可以使用:localStoragesessionStorage,可以参考相关资料。

转载于:https://www.cnblogs.com/jinbuqi/p/10347658.html

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