HTTP相关

HTTP

一种超文本传输协议,用于在网络上传输和请求html内容
超文本:扩展型文本,指html中可以有链向其它文本的链接

URL链接

请求协议、服务器地址和端口号、路径

HTTP请求报文

请求行、请求头headers、body

  1. 请求行:method请求类型、path请求路径、http version版本
  2. 请求头:host地址、content-type内容类型、content-length内容长度等
  3. body:例如 name=“123”&age=18

响应报文

状态行、headers响应头、响应内容body
状态行:http version版本、status code 状态码(200)、status message 状态信息(OK)

请求类型

幂等:同样的请求多次服务器都是同样响应

  1. GET:用于获取数据,幂等,不发送body
  2. POST:用于修改或增加数据,非幂等,发送body
  3. PUT:仅用于修改数据,幂等,发送body
  4. DELETE:删除数据,幂等,不发送body
  5. HEAD:与GET相同,唯一不同是返回响应中没有body,可用于拿取内容长度判断是否需要分块传输

status code 状态码

  1. 1xx 临时性消息
  2. 2xx 请求成功
  3. 3xx 重定向 例如服务器地址已经更换
  4. 4xx 客户端出错
  5. 5xx 服务端出错

HOST

用于在目标服务器寻找地址,而不是在网络中寻找服务器

Transfer-Encoding:chunked

分块传输,用于当响应发起时,内容长度还没确定的情况下。不与content-length同时使用。
用途:今早做出响应,减少用户等待。

Location

指定重定向的目标url

User-Agent

用于判断是谁实际发送请求、接受响应的。例如手机浏览器、手机app

Range/Accept-Range

Accept-Range:bytes 响应报文中出现,支持按字节来取范围数据
Range:bytes=< start >-< end > 请求报文中出现,表示要取哪段数据。
Content-Range:< start >-< end > 响应报文中出现,表示发送哪段数据。
用处:断点续传,多线程下载

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