- 博客(25)
- 收藏
- 关注
RSS订阅转载 计算机网络学习（7）网络相关问题
问题一：简述TCP/IP协议与OSI协议的异同点相同点：1、两个协议都分层；2、OSI参考模型的网络层与TCP/IP互联网层的功能几乎相同；3、以传输层为界，其上层都依赖传输层提供端到端的与网络环境无关的传输服务。不同点:1、TCP/IP没有对网络接口层进行细分；2、OSI先有分层模型，后有协议规范；3、OSI对服务和协议做了明确的区别，而TCP/IP没有充分明确区分服务和协...
2019-09-02 10:47:00
313
转载 计算机网络学习（3）ARP协议
一、ARP 协议 网络层以上的协议用IP地址来标识网络接口，但以太数据帧传输时，以物理地址来标识网络接口。因此我们需要进行IP地址与物理地址之间的转化。 对于IPv4来说，我们使用ARP地址解析协议来完成IP地址与物理地址的转化（IPv6使用邻居发现协议进行IP地址与物理地址的转化，它包含在ICMPv6中）。 ARP协议提供了网络层地址（IP地址）到物理地址（mac地址...
2019-08-18 10:07:00
709
转载 计算机网络学习（2）数据链路层
一、数据格式 在此层将数据分帧，并处理流控制。 MAC帧的数据格式： head包含：（固定18个字节） 发送者（源地址，6个字节） 接收者（目标地址，6个字节） 数据类型（6个字节）=类型2字节+帧校验序列FCS（CRC检验）4字节 data包含：（最短46字节，最长1500字节） 数据包的具体内容：head长度+data长度=最短64字节，最长...
2019-08-15 21:11:00
371
转载 计算机网络学习（1）物理层
一、在物理层上所传送的数据单位：比特。二、功能：物理层的作用是实现相邻计算机节点之间比特流的透明传送，尽可能屏蔽掉具体传输介质和物理设备的差异。使其上面的数据链路层不必考虑网络的具体传输介质是什么。“透明传送比特流”表示经实际电路传送后的比特流没有发生变化，对传送的比特流来说，这个电路好像是看不见的。三、物理层的接口的特性（1） 机械特性：指明接口所用的接线器的形状和尺寸、引线数目和排列...
2019-08-15 20:17:00
475
转载 数据库学习之(8)数据库恢复的实现--各种数据转储方法
数据转储：是数据库恢复中采用的基本技术。所谓转储即DBA 定期地将数据库复制到磁带或另一个磁盘上保存起来的过程。当数据库遭到破坏后可以将后备副本重新装入，将数据库恢复到转储时的状态。静态转储：在系统中无运行事务时进行的转储操作。静态转储简单，但必须等待正运行的用户事务结束才能进行。同样，新的事务必须等待转储结束才能执行。这会降低数据库的可用性。动态转储：指转储期间允许对数据库进行...
2019-05-13 15:48:00
644
转载 数据库学习之(7)数据库中数据完整性
数据完整性的作用：保证用户输入的数据保存到数据库中是正确的。确保数据的完整性 = 在创建表时给表中添加约束完整性的分类：实体完整性、域完整性、引用完整性一、实体完整性实体：即表中的一行(一条记录)代表一个实体（entity）实体完整性的作用：标识每一行数据不重复。约束类型：主键约束（primary key）、唯一约束(unique)、自动增长列(auto_increment)1、主键...
2019-05-13 15:19:00
367
转载 数据库学习之(6)了解数据库触发器
MySQL触发器trigger的使用触发器1)触发器是与表有关的数据库对象，在满足定义条件时触发，并执行触发器中定义的语句集合。2)触发器是一种特殊类型的存储过程，它由事件触发，而不是程序调用或手工启动，当数据库有特殊的操作时，这些操作由数据库中的事件来触发，自动完成这些SQL语句。3)使用触发器可以用来保证数据的有效性、一致性和完整性，完成比约束更复杂的数据约束...
2019-05-08 10:38:00
752
转载 数据库学习之(5)详解DBMS
DBMS是数据库系统的核心软件，数据库的一切操作都是通过DBMS进行的。用户对数据库进行操作，是由DBMS把操作从应用程序带到外模式、模式，再导向内模式，进而操作存储器中的数据的。DBMS的主要目的是提供一个可以方便的、有效的存取数据库信息的环境。一、DBMS具有的功能（1）数据库定义功能 DBMS提供数据描述语言（DDL）,定义外模式、模式、内模式及相互间映射关系，定...
2019-05-07 16:57:00
1708
转载 数据库学习之(4)理解数据库的事务及隔离级别
本篇讲诉数据库中事务的四大特性（ACID），并且将会详细地说明事务的隔离级别。一、数据库事务正确执行的四个基本要素 如果一个数据库声称支持事务的操作，那么该数据库必须要具备以下四个特性：⑴ 原子性（Atomicity） 原子性是指事务包含的所有操作要么全部成功，要么全部失败回滚，因此事务的操作如果成功就必须要完全应用到数据库，如果操作失败则不能对数据库有任何影响。...
2019-04-30 10:57:00
113
转载 数据库学习之(3)简单介绍数据库的水平切分与垂直切分
一、数据切分的概念： 指通过某种特定的条件，将我们存放在同一个数据库中的数据分散存放到多个数据库（主机）上，以达到分散单台设备负载的效果。数据的切分同时还可以提高系统的总体可用性，因为单台设备Crash之后，只有总体数据的某部分不可用，而不是所有的数据。 数据的切分（Sharding）根据其切分规则的类型，可以分为两种切分模式。一种是按照不同的表（或者Schema）来切分到不...
2019-04-29 11:23:00
303
转载 数据库学习之(2)存储引擎
存储引擎事务锁粒度主要应用忌用B-treeFULL-TEXTHashMyISAMno支持并发插入的表级锁SELECT，INSECT读写操作频繁yesyesnoMRG-MYISAMno支持并发插入的表级锁分段归档，数据仓库全局查找过多的场景---Inn...
2019-04-28 10:23:00
66
转载 数据库学习之(1)数据库索引底层是怎样实现的，哪些情况下索引会失效？
什么是索引： 一个索引是存储的表中一个特定列的值数据结构（最常见的是B-Tree）。索引是在表的列上创建。所以，要记住的关键点是索引包含一个表中列的值，并且这些值存储在一个数据结构中。请记住记住这一点：索引是一种数据结构 。 索引符合最左匹配特性 哈希索引的缺点： 优点：在寻找值时哈希表效率极高，如果使用哈希索引，对于比较字符串是否相等的查询能够极快的检索出的值。 缺点：...
2019-04-27 20:51:00
111
转载 生成模型和判别模型直接的区别
作者：JasonDing链接：https://www.jianshu.com/p/d195b887a32e來源：简书简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。 概率图分为有向图（bayesian network）与无向图（markov random filed）。在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图...
2018-09-10 17:15:00
136
转载 tensorflow学习之（十一）RNN+LSTM神经网络的构造
#RNN 循环神经网络import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datatf.set_random_seed(1) # set random seed# 导入数据mnist = input_data.read_data_sets('MNIST_d...
2018-09-06 11:27:00
170
转载 tensorflow学习之（十一）将python代码写入文件
#save to fileimport tensorflow as tfimport numpy as np##（1）Save to file 把相关变量存储到文件中#remember to define the same dtype and shape when restoreW = tf.Variable([[1,2,3],[3,4,5]],dtyp...
2018-09-05 19:59:00
185
转载 tensorflow学习之（十）使用卷积神经网络（CNN）分类手写数字0-9
#卷积神经网络cnnimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#数据包,如果没有自动下载 number 1 to 10 datamnist = input_data.read_data_sets('MNIST_data',one_hot=True)...
2018-09-05 19:56:00
365
转载 tensorflow学习之（九）classification 分类问题之分类手写数字0-9
#classification 分类问题#例子 分类手写数字0-9import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#数据包,如果没有自动下载 number 0 to 9 datamnist = input_data.read_data_sets('MN...
2018-09-05 17:00:00
202
转载 tensorflow学习之（八）使用dropout解决overfitting（过拟合）问题
#使用dropout解决overfitting（过拟合）问题#如果有dropout,在feed_dict的参数中一定要加入dropout的值import tensorflow as tffrom sklearn.datasets import load_digitsfrom sklearn.cross_validation import train_test_spli...
2018-09-05 12:28:00
161
转载 tensorflow学习之（七）使用tensorboard 展示神经网络的graph/histogram/scalar
# 创建神经网络， 使用tensorboard 展示graph/histogram/scalarimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt # 若没有 pip install matplotlib# 定义一个神经层def add_layer(inputs, ...
2018-09-05 11:55:00
126
转载 tensorflow学习之（六）使用tensorboard展示神经网络的graph
# 创建神经网络， 使用tensorboard 展示graphimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt # 若没有 pip install matplotlib# 定义一个神经层def add_layer(inputs, in_size, out_si...
2018-09-05 11:39:00
159
转载 tensorflow学习之（五）构造简单神经网络 并展示拟合过程
# def 添加层 如何构造神经网络 并展示拟合过程import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt # 若没有 pip install matplotlib# 定义一个神经层def add_layer(inputs, in_size, out_size, a...
2018-09-05 10:46:00
203
转载 tensorflow学习之（四）使用placeholder 传入值
#placeholder 传入值import tensorflow as tf"""tf.Variable：主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）: 声明时，必须提供初始值； 名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值； ...
2018-09-05 09:33:00
166
转载 tensorflow学习之（三）Varible 变量的使用
#Varible 变量的使用 使用变量进行自加import tensorflow as tfstate = tf.Variable(0,name='counter') #定义一个变量，赋值为0，且名字为counter#print(state.name) 打印结果：counter:0one = tf.constant(1) # 定义一个常量new_value...
2018-09-05 09:32:00
125
转载 tensorflow学习之（二）Seesion的两种打开模式
#Seesion的两种打开模式import tensorflow as tfmatrix1 = tf.constant([[3,3]])#一行两列的一个矩阵matrix2 = tf.constant([[2], [2]]) #两行一列的一个矩阵product = tf.matmul(matrix1 , matrix2...
2018-09-05 09:31:00
47
转载 tensorflow学习之（一）预测一条直线y = 0.1x + 0.3
#预测一条y = 0.1x + 0.3的直线import tensorflow as tfimport numpy as np #科学计算模块'''tf.random_normal([784, 200]):指生成一个784*200的矩阵tf.zeros([2,3],int32)==>[[0,0,0],[0,0,0]]两行三列 同理tf.one...
2018-09-05 09:29:00
71
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人