计算机常见术语笔记（一）

最新推荐文章于 2024-10-18 15:24:28 发布

m0_55924178

最新推荐文章于 2024-10-18 15:24:28 发布

阅读量1.1k

点赞数 30

文章标签：笔记

本文链接：https://blog.csdn.net/m0_55924178/article/details/142593520

版权

Ubuntu介绍

是基于Linux内核的一个发行版本

终端只是人机交互的一个接口，提供输入输出命令的交互界面。终端的主要任务是接收用户输入的命令，并提交给 Shell。

Shell 是命令解析器，主要任务是翻译命令。Shell 将终端输入的命令转化成内核能够理解的语言并传递给内核，由内核执行命令，并将执行结果返回给终端。

Conda介绍

Conda是适用于任何语言的软件包、依赖项和环境管理系统--包括Python，R，Ruby，Lua，Scala，Java，JavaScript，C / C ++，FORTRAN等。

Conda是一个开源的包管理系统和环境管理系统，运行在Windows、macOS和Linux上。Conda可以快速安装、运行和更新软件包及其依赖项。Conda可以轻松地在本地计算机上创建，保存，加载和切换环境。它是为Python程序创建的，但它可以为任何语言打包和分发软件

镜像源介绍

在计算机领域中，镜像源（Mirror）指的是一个服务器，它存储了另一个服务器上的某些或全部内容的副本，这些内容可以是操作系统、软件包、文档、音视频等等。镜像源的目的是为了加速下载和分发，特别是在面对大量用户的时候，通过镜像源可以避免单个服务器的负载过高和带宽瓶颈的问题。

在软件开发中，镜像源通常用于加速软件包的下载和安装。例如，在Python中，用户可以使用pip工具从PyPI（Python包索引）下载和安装Python包，但是由于PyPI的访问速度可能会受到网络拥塞和地理位置等因素的影响，因此用户可以使用其他镜像源来加速下载。国内常用的Python镜像源包括阿里云、清华大学等。

除了加速下载和分发，镜像源还可以用于保证内容的可用性和稳定性。如果原始服务器无法访问或出现故障，镜像源可以提供备份内容，确保用户可以继续访问和使用软件。同时，由于镜像源通常分布在不同地理位置和网络环境中，因此它们可以提供更好的可靠性和负载均衡。

机器学习包含四个元素：数据、任务、性能度量、模型

Sklearn介绍

机器学习中常用的第三模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。Sklearn具有以下特点：

简单高效的数据挖掘和数据分析工具
让每个人能够在复杂环境中重复使用
建立NumPy、Scipy、MatPlotLib之上

Vim编辑器使用教程

三种模式：普通模式、编辑模式和末行模

Python解释器

计算机的大脑是CPU，中文名叫中央处理器，它仍然不能直接处理 Python 语言。CPU 只能直接处理机器指令语言，那是一种由0和1数字组成的语言，这是一种我们人很难直接写出来的语言。所以，我们需要一个翻译，把Python语言翻译成计算机CPU 能听懂的机器指令语言，这样计算机才能按照我们的Python程序的要求去做事。.py结尾的文件需要解释器去运行执行。

安装sklearn库

　能够使用Anaconda，就不推荐使用pip。pip安装一部分库的时候可能会出现异常，原因是pip默认下载的一部分库的版本（如SciPy）可能只适用于linux系统，而Anaconda的安装一般不会有这个问题。

注意，Anaconda的安装和pip的安装尽量不要混用，由Anaconda安装的库在使用pip卸载或是更新的时候，可能出现无法卸载干净，无法正常更新，或更新后一部分库变得无法运行的情况。

pytorch介绍

PyTorch是一个由Facebook的人工智能研究团队开发的开源深度学习框架。

GPU（图形处理单元）是一种专门处理图像和视频的计算设备。最初，GPU主要用于渲染高质量的图像和视频，因为它们能并行处理大量的像素和顶点数据。然而，随着科学和工程领域对大规模并行计算的需求增加，GPU开始被用于更广泛的应用，包括科学计算、机器学习和数据分析等。

与CPU（中央处理单元）相比，GPU有更多的核心（通常是数百到数千个），能同时处理大量的计算任务。这使得GPU在处理大规模并行计算任务时，比如机器学习和深度学习的训练过程，能有非常高的效率

CUDA（Compute Unified Device Architecture）是NVIDIA公司开发的一种编程模型和软件环境，它允许开发者使用C、C++、Python等高级语言来编写GPU程序。

在CUDA模型中，程序员编写一种被称为内核的函数，这些函数在GPU的多个线程上并行执行。程序员还可以控制线程的组织和通信，以优化性能和资源利用。

CUDA提供了一套丰富的开发工具，包括编译器、库、调试器和性能分析工具，这些工具使得开发者可以更容易地开发和优化CUDA程序。

通过使用CUDA，开发者可以利用NVIDIA的GPU来加速各种类型的计算密集型任务，从而极大地提高了这些任务的性能。

Python和pytorch的关系与区别

介绍：

PyTorch是一个开源的深度学习框架，它提供了许多工具和接口，使得使用Python编写深度学习代码变得更加简单和高效。本文将介绍PyTorch与Python的联系和区别。

联系

PyTorch是使用Python编写的深度学习框架，这意味着使用PyTorch时必须使用Python作为编写代码的语言。Python是一种高级编程语言，它易于学习且使用广泛。因此，PyTorch的开发者选择Python作为它的编程语言，以使得该框架更加易于使用和扩展。

区别：

尽管PyTorch是使用Python编写的，但它并不是Python本身。PyTorch是一个独立的深度学习框架，封装了许多用于实现神经网络的函数和类。虽然PyTorch中的代码必须使用Python编写，但PyTorch本身并不是Python的一部分。

另外，PyTorch的设计思想与Python略有不同。Python更注重代码的可读性和易用性，而PyTorch更注重代码的运行效率和灵活性。为了达到这些目标，PyTorch采用了一些特殊的设计思想，如动态图、延迟执行等。这些特殊的设计思想使得PyTorch在运行效率和灵活性方面比其他深度学习框架更具优势。

_pycache_文件

用python编写好一个工程，在第一次运行后，总会发现工程根目录下生成了一个__pycache__文件夹，里面是和py文件同名的各种*.pyc或者*.pyo文件。名字上看应该是相应的缓存文件。

对于应用程序识别或流量特征化任务来说，MAC地址并不提供信息？

的飞速

Transformer可能采用其IP地址来学习对数据包进行分类，因为数据集是使用有限数量的主机和服务器捕获的，所以屏蔽IP报头中的IP地址来防止过拟合在这个问题上，我们确保NN没有使用不相关的特征来执行分类。当用户将pcap文件加载到Deep Packet工具包时，会发生上述所有预处理步骤。

损失函数如何使用

Focal Loss损失函数（超级详细的解读）-CSDN博客

损失函数主要是用在模型的训练阶段。在每一个批次的训练数据送入模型后，通过前向传播输出预测值，然后损失函数会计算出预测值与真实值的差异值，即损失值。得到损失值后，模型通过反向传播去更新各个参数，来降低真实值与预测值之间的损失，使得模型生成的预测值往真实值靠拢，从而达到学习的目的。在训练完该模型后，此时模型通过反向传播后，已经使得每个参数都为最优。所以使用该模型进行预测得到的结果一定是接近真实结果的。