由一个问题引发的网络知识解惑

1、本地ip与网上查询到ip不一致?

本地ip:(内网ip)


宽带ip:(外网ip)


二者的区别在于:

本地ip是网卡上所拿到的ip,可有路由器进行分配(DHCP协议)

宽带ip是电信运营商自动分配给你的宽带连接

二者的关系相当于:

宽带ip就是街道号,本地ip就是门牌号,如果要找到你的家门首先需要通过宽带ip(外网ip)找到你的街道号,然后通过本地ip(内网ip)找到你的门牌号。

自动获取ip什么意思?


大家想一下这种情况,大家有一个外网ip,然后可以设置出来很多本地ip,但如果你跟同一局域网里面的电脑设置了同一个本地ip,那么会发生什么?导致你的电脑无法被外网识别,这个时候就需要通过自动获取ip,在进行设置只为你的电脑分配还没有占用的本地ip,从而使这个问题得到解决。

端口映射:(路由器端口映射)

第一:首先你需要有进入路由器设置的权限

第二:进入路由器设置后,在【虚拟服务器】设置中增加端口,即可通过【外网ip + 端口】形式访问你的电脑

【虚拟服务器】:就是把内网ip的端口映射到外网ip的一个端口

详细设置参见:http://jingyan.baidu.com/article/1709ad80d599d24634c4f0c2.html

DHCP协议:

(Dynamic Host Configuration Protocol)动态主机配置协议

我们都知道电脑之间的通信是通过MAC地址,而MAC地址太复杂,所以就有了IP,通过DHCP服务器,当主机访问到服务器时就会动态分配给主机一个唯一IP,而当一个局域网中有很多台主机时,网络管理员则需要对每台电脑进行ip分配,手动配置太耗时,而且容易出错,所以通过动态分配ip

MAC地址:

Media Access Control,介质访问控制,MAC地址也叫物理地址,是由网络设备生产厂商写入硬件内部,每台电脑都有唯一的物理地址;

详细参见:参见:http://blog.csdn.net/lhshaoren/article/details/8889822


2、局域网用户是如何上网的?(具体实现)

1、直接路由

要求客户机有真实的IP,但是IP可是稀缺资源,所以这种方式很少了

2、NAT(路由转换协议)

NAT协议很好解决了IP地址不足的问题,NAT是将IP数据包头中的IP地址转换成另外一个IP,在实际应用中NAT主要用于解决私有网络访问外部网络的问题。

私有IP地址是指内部网络或主机地址,公有IP是全球唯一的IP。

RFC 1918为私有网络预留出三个IP地址块:

A类:10.0.0.0 --- 10.255.255.255

B类:172.16.0.0 --- 172.16.255.255

C类:192.168.0.0 --- 192.168.255.255

上述三个范围的IP地址快不会在因特网上被分配,因此不需要想ISP申请,自由使用。

NAT功能:

① 宽带分享:这是NAT最重要的功能

②安全防护:NAT之内的主机访问到因特网显示的是外网IP,所以可以对内部主机起到一定的安全作用

3、代理服务器

在客户机和服务器之间增加一个中介,即代理服务器,相对于客户机而言代理服务器相当于服务器,相对于服务器而言代理服务器相当于客户机。

使用代理服务器的作用有哪些:

绕过访问限制(翻墙)

匿名访问

局域网通过代理联网

通过代理缓存,提高上网速度

NAT与代理服务器的区别:

①:NAT工作在网络层,需要对IP数据包进行拆分重组;Proxy工作在应用层,需要了解具体的应用层协议。

②:NAT因为工作在低层,支持协议较多,速度较快;Proxy支持协议较少,速度较慢。

DHCP与NAT协议的区别:

DHCP用于动态分配IP地址

NAT用于让这些IP访问到互联网

3、参考文档:

http://www.ruanyifeng.com/blog/2012/05/internet_protocol_suite_part_i.html

http://www.ruanyifeng.com/blog/2012/06/internet_protocol_suite_part_ii.html

这两篇文章,对互联网协议从上到下进行一个很详细的解说

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