Implementation of CServer

 bool CServer:: _receive_from_client()
{
 char szRet[ SZBUFF ];

 m_strRet = string( " Hello client, Welcome!/n" );
 m_strRet.append( " You asked:'" );

 if( recv( m_iFlIndCli, szRet, SZBUFF, 0  ) < 0 )
 {
  _error( "Can't receive data from the asked server!" );
  return false;
 }
 cout<<"msg={"<<szRet<<"}"<<endl;
 m_strRet.append( szRet );
 return true;
}//

void CServer::wait()
{
 while( 1 )
 {

  if( !_accept_client() )
   return;
  ///
  ///For receiving the message from each client
  ///
  if( _receive_from_client() )
  {
   long tmsp = time( NULL );
   string strTm( ctime( &tmsp ) );
 
   cout<<"==========================================="<<endl
       <<"At "<<strTm<<" from "<<inet_ntoa( m_addrCli.sin_addr )<<":"<<ntohs( m_addrCli.sin_port )<<endl
       <<"==========================================="<<endl;

   m_strRet.append( "'/n" );
   m_strRet.append( " now be returned at " );
   m_strRet.append( strTm );
   m_strRet.append( " to your Client-IP:" );
   m_strRet.append( inet_ntoa( m_addrCli.sin_addr ) );
   m_strRet.append( ":" );
   char sz[ 20 ]; sprintf( sz, "%d", ntohs( m_addrCli.sin_port ) );
   m_strRet.append( sz );
 
   if( !_send() ) exit( 1 );
   _write_log( m_strRet.c_str() );
   close( m_iFlIndCli );
  }
  else
  {
   close( m_iFlIndSer );
   close( m_iFlIndCli );
   exit( 1 );
  }
 }//
}//
 
bool CServer::_bind()
{
 if( bind( m_iFlIndSer, ( TSOCKADDR* )&m_addrSer, sizeof( m_addrSer ) ) < 0 )
 {
  _error( "Can't bind to this computer(server)!" );
  close( m_iFlIndSer );
  return false;
 }//

 return true;
}//
  
bool CServer:: _socket()
{
 if( ( m_iFlIndSer = socket( AF_INET, SOCK_STREAM, 0 ) ) < 0 )
 {
  _error( "Can't create a sock at server!" );
  return false;
 }

 return true;
}//

bool CServer::_listen()
{
 if( listen( m_iFlIndSer, LEN_LISTEN_QUEUE ) < 0 )
 {
  _error( "The server can't listen at the port!" );
  close( m_iFlIndSer );
  return false;
 }
 
 return true;
}//

bool CServer::_accept_client()
{
 socklen_t iLen = sizeof( m_addrCli );
 if( ( m_iFlIndCli = accept( m_iFlIndSer, ( TSOCKADDR* )&m_addrCli, &iLen ) ) < 0 )
 {
  _error( "The client can't be accepted by the server!" );
  close( m_iFlIndSer );
  return false;
 }//
 
 return true;
}//

bool CServer::_send()
{
 if( send( m_iFlIndCli, m_strRet.c_str(), SZBUFF, 0 ) < 0 )
 {
  _error( "Can not send message to connected client!" );
  close( m_iFlIndSer );
  close( m_iFlIndCli );
  return false;
 }//
 return true;
 
}//

 
void CServer::_init( int iPort )
{
 if( !_socket() ) exit( 1 );
 
 memset( &m_addrSer, 0, sizeof( m_addrSer ) );
 m_addrSer.sin_family = AF_INET;
 m_addrSer.sin_port   = htons( iPort );
 m_addrSer.sin_addr.s_addr = htons( INADDR_ANY );

 if( !_bind() ) exit( 1 );
 if( !_listen() ) exit( 1 );
}//

void CServer::_write_log( const char* sz )
{
 try
 {
  long tmsp = time( NULL );
  ///ctime( &tmsp );
  char szFileName[ SZBUFF ];

  sprintf( szFileName, "%i.log", tmsp );
  ofstream of( szFileName );
 
  of<<sz<<endl<<endl;
  

  cout<<"A log file is created... ..."<<endl;

  of.close(); 
 }
 catch( exception& e )
 {
  _error( const_cast<char*>( e.what() ) );
 }
}//

CServer::CServer( int iPort  )
:m_iFlIndSer( 0 ),
 m_iFlIndCli( 0 )
{
 _init( iPort );
}//

CServer::~CServer(){ close( m_iFlIndSer ); }//

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