web 是 如何工作的(2015/10/22)

开启自学模式:

1.url : 即统一资源定位器.

URL 的组成: 

完整的URL通常由三部分组成:协议,站点名字和文档 或资源的绝对路径.

eg: http://www.example.com/2012/samples/first.html 

协议:http://协议

站点名字:www.example.com(www:主机名. example.com:域名)

绝对路径:2012/samples/first.html (2012/samples/ : 目录路径 .first.html:文档)

说明:它使用的是 HTTP协议来连接互联网上名叫 www.example.com 的web服务器,并且请求 first.html 文件(这个文件 在samples下, 再上级目录是 2012)

注意:1.原先的URL并没有末尾的斜线,以表示 这是一个目录,当省略这个斜线时,如果服务器发现存在这个名字的目录,它会自动添加一个斜线.2.为了一个目录(而不是特定的文件)提供一个 URL,可以让服务器查找默认的文件,通常叫做index.html /default.html .

2.web只是 互联网上分享信息的方式之一.它的特点是:它允许使用超文本链接把一个文件连接到另一个文件,以这样的方式形成一个巨大的信息链接的"web".而网页使用的超文本标记语言,简称HTML,HTML 是专门为使用超文本链接的文件创建的. 

3.浏览器如何显示网页?

(1)输入一个URL或者单击某个链接. 

(2)浏览器发送HTTP 请求

(3)服务器查找文件,并且返回一个 HTTP响应.(如果服务器上没有文件,就会返回一个错误消息.如果发现要的 是 目录,返回默认文件.)

(4)浏览器解析这个文档.如果需要图像,样式表和脚本, 浏览器就再从服务器上一一获取图像文件. 

(5)页面在浏览器窗口中整合.

4.IP:互联网协议.DNS:匹配域名和数字IP地址. HTTP:在互联网上传输Web文件的协议. 

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