从互联网四大天王看互联网发展

作者:刘锋 (本文章属作者原创作品,刘锋版权所有,转载引用请注明出处和作者刘锋)

纵观互联网的发展历史,我们发现互联网也存在“四大天王“,它们分别是电子邮件,FTP,BBS,网络游戏,目前几乎所有的互联网应用都与这“四大天王“有关。研究它们将有利于我们理清互联网的发展规律。

一。讨论互联网“四大天王“的意义和启发:

1。互联网“四大天王“是互联网应用发展的基础,其中BBS的影响最为明显,目前互联网中的大部分创新商业模式都与BBS有关,可以说整个WEB世界就是建立在一个巨大的BBS之上,包括新闻类网站,电子商务类网站。博客类网站。智力互动问答类(威客类网站),热点点评,维基WIKI类网站,SNS类网站.换客类网站.搜索引擎网站都是从BBS的某个功能演化出来的结果。

2。互联网“四大天王“之间并不是孤立和割裂的,它们之间也在不断融合,如BBS与网络游戏,BBS与电子邮件,电子邮件与FTP,电子游戏与电子邮件等等。西方互联网重点研究的万维网主要局限在BBS类应用中,但他们没有意识到BBS功能分离现象的存在,更没有重视万维网应用与电子游戏,电子邮件,FTP等应用的融合问题。

3。从互联网“四大天王“的融合和发展中,我们可以发现有趣的互联网进化现象(部分图示),由于西方研究者在研究方向上的问题,他们目前仍然没有注意到互联网的进化现象。更详细的互联网进化图示请参考世界第一个互联网进化示意图

4.jpg5.jpg

6.jpg8.jpg

二。互联网四大天王的本质和发展状况

网络游戏

满足人们通过互联网进行交互娱乐的需求,1969年到2008年间, 网络游戏取得了长足发展,从两人连线发展到数十万人同时连线,从字符为主的游戏形势发展到三维为主。从幻想为主的题材发展到模拟现实。

起源:1969年。当时瑞克·布罗米为PLATO系统编写了一款名为《太空大战》(SpaceWar)的游戏,它可支持两人远程连线,这是第一款真正意义上的网络游戏。

Email(电子邮件):

它主要满足人们通过互联网进行点对点隐秘交流的需求,从功能上讲,后来蓬勃发展的即时通讯软件如:QQ,MSN,淘宝旺旺,百度HI与电子邮件具有很强的关联。电子邮件是人们使用互联网最重要的应用之一但发展相对比较稳定。

起源:1971 BBN的Ray Tomlinson发明了通过分布式网络发送消息的email程序

FTP:

主要满足互联网中的机器之间进行文件传输,此后互联网中出现的P2P技术,P4P,CDN技术从应用的角度与FTP具有关联性,从表面上看,FTP类应用并不是互联网使用最普遍的功能,但他们却占据了互联网近70%以上的数据流量。

起源:1972年ARPANET的主机开始使用互联网重要的网络服务ftp。

BBS(电子公告牌):

主要满足人们通过互联网进行点对多点的公开性交流需求,事实上BBS后来成为互联网最主要的应用,甚至说整个WEB世界就是建立在一个巨大的BBS之上,包括新闻类网站,电子商务类网站。博客类网站。智力互动问答类(威客类网站),热点点评,维基WIKI类网站,SNS类网站.换客类网站.搜索引擎网站都是从BBS的某个功能演化出来的结果。

起源:1983年Capital PC User Group(CPCUG)通过努力,完成了个人计算机的第1版BBS系统——RBBS-PC,后来RBBS-PC赢得了BBS鼻祖的美称。

详细内容请访问:

<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr>1。<wbr><wbr><wbr><wbr><wbr><wbr><a href="http://blog.sina.com.cn/s/blog_591a83bf010086me.html" target="_blank"><font color="#5e4830"><u>世界第一个互联网进化示意图</u></font></a></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>

<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr> 2。<wbr><wbr><wbr><wbr><wbr><wbr><a href="http://blog.sina.com.cn/s/blog_591a83bf01009aqg.html" target="_blank"><font color="#5e4830"><u>世界第一张互联网虚拟大脑结构图</u></font></a><wbr><wbr><wbr><wbr><wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>

<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr> 3。<wbr><wbr><wbr><wbr><a href="http://www.witkey.com/article/22600.asp" target="_blank"><font color="#5e4830"><u>互联网进化断代史</u></font></a><wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>

<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr>4。<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><a href="http://www.witkey.com/article/22628.asp" target="_blank"><font color="#003399"><u>互联网知识价值化公式</u></font></a></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>

<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr>5。<wbr><wbr><wbr><wbr> 威客理论与互联网进化论官方网站<a href="http://www.witkey.com/"><font color="#5e4830"><u>http://www.witkey.com</u></font></a></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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