TCP与UDP

TCP/IP 中有两个具有代表性的协议:TCP和UDP
可以根据IP部首中的协议字段的协议号可识别IP层传输的到底是哪一种协议。
TCP提供可靠的通信传输,UDP常用于让广播和细节控制交给应用的通信传输。

UDP:不具有可靠性的数据报协议,无法保证消息一定会到达。没有复杂的控制,它是将应用程序发来的数据在收到的那一刻,立即按照原样发送到网络上的一种机制。
在网络拥堵时其无法进行流量控制等避免网络堵塞的行为,即使在丢包的情况下,UDP也不负责重发,也无纠正包顺序的功能。UDP按照“制作程序的那些用户的指令行事”
UDP本身的处理简单高效常适用于以下几个方面

  • 高速传输,实时性高的通信或广播通信。
  • 包总量较少的通信
  • 视频,音频等多媒体通信
  • 限定于LAN等特定网络中的应用通信
    在这里插入图片描述
    TCP:“传输,发送,通信” 其是面向连接的,可靠的流协议,具备顺序控制,重发控制等机制。与UDP完全不同,它充分展现了对数据传输的各种控制,可以在丢包时进行重发控制,可以对次序乱掉的分包进行顺序控制。TCP仅在确认通信对端存在时才会发送数据,从而可以控制通信流量的浪费。
    在这里插入图片描述
    四次挥手断开连接源/目的端口号: 表示数据是从哪个进程来, 到哪个进程去;
    序号/32位确认号
    CP报头长度: 表示该TCP头部有多少个32位bit(有多少个4字节)
    URG: 紧急指针是否有效
    ACK: 确认号是否有效
    PSH: 提示接收端应用程序立刻从TCP缓冲区把数据读走
    RST: 对方要求重新建立连接; 我们把携带RST标识的称为复位报文段
    SYN: 请求建立连接; 我们把携带SYN标识的称为同步报文段
    FIN: 通知对方, 本端要关闭了, 我们称携带FIN标识的为结束报文段

校验和: 发送端填充, CRC校验. 接收端校验不通过, 则认为数据有问题. 此处的检验和TCP数据部分.
16位紧急指针: 标识哪部分数据是紧急数据;
40字节头部选项

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