java 网络编程_187_UDP编程1_原理_练习

package 网络编程_187_UDP编程1_原理_练习;

import java.io.IOException;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.SocketException;

import javax.swing.Spring;

/**

  • 2.服务器端
  •  a)创建服务端:DatagramSocket类+指定接收端口
    
  •  b)准备接收的容器,字节数组,封装DatagramPacket
    
  •  c)用容器(包)接收数据
    
  •  d)分析数据
    
  •  e)释放资源
    

*/
public class MyServer {//MyServer服务器

public static void main(String[] args) throws IOException {
	//创建服务器端+端口
	DatagramSocket server = new DatagramSocket(8888);// server服务器;处理异常
	//接收容器
	byte[] container = new byte[1024];//container容器
	//封装成包
	DatagramPacket   packer = new  DatagramPacket(container , container.length);//packer包装
	//接收数据
	server.receive(packer); //receive接收;声明异常
	//分析数据
	byte[] data = packer.getData();
	int len = packer.getLength();
	System.out.println(new  String(data,0,len));
	//释放资源
	server.close();

}

}
//结果-------------------------------------------------
等待接收
在这里插入图片描述
package 网络编程_187_UDP编程1_原理_练习;

import java.io.IOException;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.InetSocketAddress;
import java.net.SocketAddress;
import java.net.SocketException;

/**

  • UDP以数据为中心,非面向连接,不安全数据可能丢失,效率高;
    *一.在java里面UDP已经封装好了;即类DatagramSocket;在接收和发送数据时需要封装一个包DatagramPacket
  • 1.客户端
  •  a)创建客户端:DatagramSocket类+指定发送端口
    
  •  b)准备数据 ;字节数组,这个字节数组不能太大
    
  •  c)打包及封装:DatagramPacket+服务器地址及端口
    
  •  d)发送
    
  •  e)释放资源
    

*/
public class MyClient {//MyClient客户端
public static void main(String[] args) throws IOException {
//创建客户端+端口;注意:在同一电脑上这个端口要与服务端不同;否则发生冲突
DatagramSocket client = new DatagramSocket(6666);//client客户端 处理异常
//准备数据
String msg = “UDP编程”;
//转成字节数组
byte[] data = msg.getBytes();//getBytes字符串
//打包(发送的地址及端口);这里地址是服务器
//调用的是这个构造器:DatagramPacket(byte[] buf, int length, InetAddress address, int port)
//构造数据报包,用来将长度为 length 的包发送到指定主机上的指定端口号。这个InetAddress(服务器地址)是没有端口的,
//而 SocketAddress是有端口的,使用new
DatagramPacket packet = new DatagramPacket(
data,data.length,new InetSocketAddress(//Inet网络;无法实例化类型SocketAddress
“localhost”,8888));//packet数据包,localhost本地服务器
//发送
client.send(packet); //声明异常;send发送
//释放
client.close();
}
}
//结果------------------------------------
接收成功
在这里插入图片描述

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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