计算机网络---计算机网络基本概念（协议、体系）

最新推荐文章于 2025-04-01 13:53:25 发布
最新推荐文章于 2025-04-01 13:53:25 发布
阅读量5.4k 收藏 36
点赞数 5
分类专栏： 计算机网络原理
MYJ-江启
本文链接：https://blog.csdn.net/weixin_46165569/article/details/104485773
版权

一、计算机网络概述

1.计算机网络基本概念

1.1计算机网络定义

利用通信设备与通信链路或者通信网络，相连但位值不同的独立的计算及系统。但在能够进行信息交换且遵循一定的协议。
通俗来讲：计算机网络由若干结点和连接这些结点的链路组成。

在这里插入图片描述

1.2协议的定义

协议是网络通信实体协议之间数据交换之间需要遵循的约定
由三部分组成（三要素）：
（1）语法（一定的书写规则）
（2）语义（传输数据含义）
（3）时序（事件实现顺序）

1.3计算机网络的功能

1.硬件资源共享
2.软件资源共享
3.信息资源共享

1.4计算机网络的分类

1.按覆盖范围：个人网、局域网、城域网、广域网
2.按拓扑结构：星型、总线型、环形、网状、树状、混合拓扑结构等
在这里插入图片描述
3.按交换方式：电路交换网络、报文交换网络和分组交换网络
4.按网络用户属性：公共网、私用网

2.计算机网络结构

2.1网络边缘

由所有互联网上的主机组成（端系统），供给普通用户使用，用于访问各种资源

2.2网络核心

由互联网上的各中路由器组成，绝大部分是为网络边缘提供服务

2.3接入网络

链接网络边缘和网络核心，部分方式：
1.电话拨号
2.非对称用户数据线ADSL
3.混合光纤同轴电缆HFC
4.局域网
5.移动接入网络
在这里插入图片描述

3.数据交换技术

3.1数据交换概念

数据交换（Data Switching）是指在多个数据终端设备（DTE）之间，为任意两个终端设备建立数据通信临时互连通路的过程。
通信子网：交换结点和传输介质

分类：电路交换、报文交换、分组交换

3.2电路交换

为信息交换建立临时的专用线路，只为两个用户传送
优点：实时性高，实延和时延抖动较小。因而适合传输实时性强和批量大的数据。
缺点：信道利用低，传输速率单一

3.3报文交换

以报文为单位，在交换单位的各节点之间存储—转发的方式传送

优点：
1.不需要建立连接
2.线路利用率高
3.使用灵活
缺点：
不适用实时性较强的业务

3.4分组交换

也采用存储-转发技术，把数据分成若干组进行传输

优点：
1.交换速度快
2.可靠传输效率高
3.交换设备需要存储容量低
缺点：
1.分组长度与延迟时间
2.分组长度与误码率

3.5混合交换

在一个计算机网络中同时采用电路交换和分组交换方式，称为混合交换

3.6比较

在这里插入图片描述

4.计算机网络性能

4.1速率

网络单位时间内传送的数据量，也叫数据率或比特率。基本单位是比特每秒（bit/s）

4.2带宽

原指某个信号具有的频带宽度，单位为赫兹。在计算机网络中，它指某网络中传输数据的能力

4.3时延

指数据从网络的某个结点到下一个结点用的时间。

1.发送时延（传输时延）：发送数据帧开始到结束所用时间
2.传播时延：电磁波在信道内传输一定距离所用的时间
3.处理时延：主机或路由器收到分组消息时处理用时
4.排队时延：在进入一个结点时，等待此结点处理完自身任务的时间

4.4吞吐量

单位时间内通过某个网络的实际数据量
经常用来衡量网络的实际数据传送能力

4.5时延带宽积

时延带宽积 = 传播时延 x 带宽

4.6往返时间RTT

数据来回所用时间

4.7利用率

信道利用率：某信道内有百分之几的时间内是有数据通过
网络利用率：全网络信道利用率的加权平均值

4.8丢包率

很大程度上可以反应网络的拥塞程度
丢包率 = 丢包分组总数/分组总数

5.计算机网络体系结构

定义：计算机网络所划分的层次以及各层协议的集合

5.1OSI参考模型（开放系统互连基本参考模型）

在这里插入图片描述

5.2TCP/IPC参考模型

在这里插入图片描述

5.3五层参考模型

在这里插入图片描述目前互联网一般使用五层模型，因为它较其他两种方式来说：相对简单且功能完备

Transformer在量子计算中的应用前景
AI天才研究院
04-24 988
Transformer在量子计算中的应用前景 1. 背景介绍 1.1 量子计算的兴起 量子计算是一种基于量子力学原理的全新计算范式,利用量子态的叠加和纠缠等独特性质,有望在某些计算问题上展现出远超经典计算机的计算能力。近年来,随
Transformer 模型及其典型应用研究
一只老虎的专栏
04-07 4986
Transformer 模型是一种基于自注意力机制的深度学习架构，在自然语言处理等领域取得了巨大成功。本文介绍了 Transformer 模型的原理和结构，并探讨了其在语言翻译、文本生成、对话系统、语言模型、图像处理和推荐系统等典型应用领域的研究进展。通过深入分析 Transformer 模型在不同应用领域中的应用案例，展示了其在促进人工智能技术发展和应用落地方面的重要作用。
视觉transformer图片处理思路
haohulala的博客
04-19 1万+
我们知道，transformer要求将图片分为patch，然后输入网络进行计算，那么我们就需要将二维的图片处理成一维的embeding形式，今天我来给大家介绍一下图片处理的思路。 我们演示一下处理下面这张图片 我们将图片按照16*16的大小进行分片，得到的结果如下图所示 接下来我们需要将patch变成tensor。在此之前先介绍一下传统CNN图片处理和transformer图片处理之间的区别 我们可以看到，传统CNN图片处理得到的向量是三维的，而transformer图片处理得到的向量是
探索Transformer模型在图像处理中的应用
AI天才研究院
12-27 2638
1.背景介绍 图像处理是计算机视觉的基础，也是人工智能领域的一个重要研究方向。随着深度学习技术的发展，卷积神经网络(CNN)在图像处理领域取得了显著的成果，成为主流的图像处理方法之一。然而，CNN在处理长序列和跨模态的任务时，存在一些局限性，如计算开销大、模型复杂、训练速度慢等。 Transformer模型是Attention Mechanism的一种有效实现，它在自然语言处理(NLP)领域取...
Vision Transformer实战：如何将Transformer应用于图像分类
最新发布
像风一样自由
04-01 1181
传统图像分类任务由CNN主导，但Transformer凭借其**全局建模能力**，在ImageNet等基准任务中刷新了记录。2020年，Vision Transformer（ViT）的提出标志着Transformer正式进军CV领域。本文将以实战为导向，详解如何用纯**Transformer实现图像分类**，并提供完整PyTorch代码实现。
Transformer在图像处理中的探索与成果
AI天才研究院
01-09 1177
1.背景介绍 图像处理是计算机视觉的基础，也是人工智能的重要应用领域。随着深度学习技术的发展，图像处理领域也逐渐向量化，使用卷积神经网络(CNN)等神经网络技术进行图像的特征提取和分类。然而，这些传统的神经网络在处理大规模、高分辨率的图像时，存在计算量过大、模型准确度不足等问题。 2020年，ViT(Vision Transformer)成功将Transformer模型应用到图像处理领域，为图...
transformer在图像分类上的应用以及pytorch代码实现
热门推荐
qq_37937847的博客
04-09 5万+
文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利用Block模块2.2.5构建Encoder模块2.2.6 构建完整的transformers2.2.7构建Vi
Transformer进行底层图像处理任务
SSyangguang的博客
07-08 3217
最近看了篇使用transformer进行底层图像处理任务的工作Pre-trained image processing transformer，这里分享一下。 这篇文章使用ImageNet数据集和transformer结构训练出一个专门用于底层图像分处理任务的预训练模型image processing transformer (IPT)，在执行具体任务时只需要微调head和tail就可以处理自己的任务，同时还引入了对比学习用于模型适应不同任务。文中对去噪、超分辨和去雨都进行了实验对比，均获得SOTA效果。
Transformer模型在图像处理领域的挑战与机遇
AI天才研究院
01-07 1426
1.背景介绍 图像处理是计算机视觉的核心技术之一，它涉及到图像的获取、处理、分析和理解。随着深度学习技术的发展，卷积神经网络(CNN)成为图像处理领域的主流方法，它具有很好的表现力。然而，随着数据规模和模型复杂性的增加，CNN在处理大规模、高维的图像数据时遇到了诸多挑战，如计算效率低、模型训练时间长、难以扩展等。 Transformer模型是一种新型的神经网络架构，它在自然语言处理(NLP)领...
【Transformer模型在图像处理中的创新应用】： 探索Transformer模型在图像处理中的创新应用
介绍Transformer模型在图像处理中的背景 Transformer 模型作为一种革命性的神经网络结构，在自然语言处理领域取得了巨大成功。然而，近年来，研究人员开始将 Transformer 模型推广到图像处理领域。相较于传统的...
Transformer应用之图像识别中的应用 - Transformer教程
shandianfk_com的博客
08-14 812
本文介绍了Transformer模型在图像识别中的应用，包括Vision Transformer、Swin Transformer和DETR等模型，并探讨了其优势、面临的挑战及未来发展方向。Transformer凭借其强大的特征提取和建模能力，正逐渐成为图像识别领域的重要工具。
Transformer模型-1-概述、核心部件及应用场景
aidashuju的博客
09-14 2154
Transformer模型是由谷歌公司提出的一种基于自注意力机制的神经网络模型，用于处理序列数据。相比于传统的循环神经网络模型，Transformer模型具有更好的并行性能和更短的训练时间，因此在自然语言处理领域中得到了广泛应用。
关于transformer是如何处理图像的
qq_33949900的博客
02-28 4625
深入剖析transformer如何处理图像1、线性投影2、位置编码3、总结 1、线性投影 为了开始理解视觉Trans如何处理图像数据，我们分析了它的内部表示。视觉Trans的第一层线性地将平坦的小块投影到一个低维空间(Eq. 1)。图7(左)显示了已学习的嵌入滤波器的顶部主成分。这些成分类似于可信的基函数，用于对每个斑块内的精细结构进行低维表示。 2、位置编码 投影完成后，将学习到的位置嵌入添加到patch表示中。图7(中间)显示，模型学习了在位置嵌入相似度下对图像内的距离进行编码，即越近的patch的位置
Transformer综述(A Survey on Vision Transformer) 阅读学习笔记（三）--Transformer应用的图像处理与视频处理的研究
sazass的博客
03-11 7455
论文综述： 文章主旨：在本文中，我们回顾了这些视觉Transformer模型，将它们分为不同的任务，并分析了它们的优缺点。我们探讨的主要类别包括主干网络、高/中级视觉、低级视觉和视频处理。我们还包括有效的Transformer方法，用于将Transformer推进基于设备的实际应用。此外，我们还简要介绍了计算机视觉中的自我注意机制，因为它是Transformer的基本组成部分。在本文的最后，我们讨论了视觉Transformer面临的挑战，并提供了几个进一步的研究方向。 其他章节： Transformer综
预训练图像处理Transformer
小白学视觉
05-05 2118
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作为自然语言处理领域的主流模型，Transformer 近期频频出现在计算机视觉领域的研究中。例如 OpenAI 的 iGPT、Facebook 提出的 DETR 等，这些跨界模型多应用于图像识别、目标检测等高层视觉任务。而华为、北大、悉大以及鹏城实验室近期提出了一种新型预训练 Transformer ...
Tesla AI day中感知部分的详细解析（一）——Transformer在图像领域的应用
liu3612162的博客
11-07 4613
最近针对特斯拉AI day2022内容进行了初步的了解，三个小时的发布会涵盖了方方面面的内容，其中基于纯视觉和深度学习的BEV感知升级版Occupancy Network形成的3D感知系统着实让人惊艳，而想要了解Occupancy Network，必须先了解其前身BEV感知，而其中一大关键点是参考了Transformer的网络结构对不同时空的数据输入进行处理，本系列文章主要针对相关技术从源头开始解析，由于个人技术能力有限，不可能面面俱到，仅当作抛砖引玉了。
transformer在图像领域中的应用
W25679的博客
10-08 1308
transformer在图像领域中的应用
基于Transformer的图像处理预训练模型
Python_cocola的博客
11-18 1388
本文介绍一篇发表在CVPR 2021上的文章，该文章提出了一种基于Transformer的图像处理预训练模型，可以在较小的数据集上进行微调后，直接应用到具体的图像处理任务（如去噪，超分，去雨等）。随着现代硬件计算能力的大幅提升，在大规模数据集上训练的预训练深度学习模型（如BERT、GPT-3）已经显示出比传统方法更好的效果。这一重大进展主要得益于Transformer及其变体架构的强大表示能力。
Transformer应用到图像处理的优缺点有哪些？（通俗解释）
weixin_51732791的博客
08-22 735
优点： 全局视野： Transformer最显著的特点就是它的全局视野。这就像是你在看一幅画时，不仅能够看到画中的每一个细节，还能立刻理解这些细节是如何组合在一起的。在Transformer中，每个位置（或称为“词”在NLP中）都能关注到整个序列的其他所有位置，这使得它非常适合处理需要全局信息的问题，比如机器翻译、文本生成等。 并行处理能力强： 由于Transformer的计算是并行化的，不像RNN那样需要按顺序逐个处理元素，所以它的计算速度非常快。这就像是你同时用多支笔在画板上作画，而不是一
图像处理Transformer
03-13
### 图像处理中 Transformer 模型的使用与实现 Transformer 是一种基于自注意力机制（Self-Attention Mechanism）的神经网络架构，最初被设计用于自然语言处理 (NLP)[^3]。然而，近年来其在计算机视觉领域的应用也取得了显著进展。以下是关于如何在图像处理任务中使用和实现 Transformer 的详细介绍。 #### 1. Transformer 在图像处理中的应用场景 Transformer 已经成功应用于多种图像处理任务，包括但不限于图像分类、目标检测、语义分割以及图像生成等[^2]。这些任务的核心在于利用 Transformer 对全局上下文关系的强大建模能力，从而提升模型性能。 #### 2. 基本原理 Transformer 的核心组件是多头自注意力机制（Multi-head Self-Attention），它可以捕捉输入数据之间的长期依赖关系。在图像处理场景下，通常会先将图像划分为固定大小的小块（Patches），并将其展平为一维向量序列作为 Transformer 输入[^4]。这种操作类似于 NLP 中的词嵌入（Word Embedding）。 为了进一步增强表征学习效果，在实际应用过程中还会引入位置编码（Positional Encoding）。这是因为原始图片经过切片后丢失了空间顺序信息，而位置编码能够帮助模型重新恢复这一特性[^1]。 #### 3. PyTorch 实现示例 下面是一个简单版本的基于 PyTorch 构建的 Vision Transformer(ViT): ```python import torch from torch import nn, optim class PatchEmbedding(nn.Module): def __init__(self, img_size=224, patch_size=16, embed_dim=768): super().__init__() self.proj = nn.Conv2d(3, embed_dim, kernel_size=patch_size, stride=patch_size) def forward(self, x): x = self.proj(x).flatten(2).transpose(1, 2) return x class MultiHeadAttention(nn.Module): def __init__(self, dim, num_heads=8): super(MultiHeadAttention, self).__init__() assert dim % num_heads == 0 self.num_heads = num_heads head_dim = dim // num_heads self.scale = head_dim ** -0.5 self.qkv = nn.Linear(dim, dim * 3, bias=False) self.attn_drop = nn.Dropout(0.) self.proj = nn.Linear(dim, dim) def forward(self, x): B, N, C = x.shape qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4) q, k, v = qkv.unbind(0) attn = (q @ k.transpose(-2, -1)) * self.scale attn = attn.softmax(dim=-1) attn = self.attn_drop(attn) x = (attn @ v).transpose(1, 2).reshape(B, N, C) x = self.proj(x) return x class ViTBlock(nn.Module): def __init__(self, dim, num_heads, mlp_ratio=4., drop_rate=0.): super(ViTBlock, self).__init__() self.norm1 = nn.LayerNorm(dim) self.msa = MultiHeadAttention(dim, num_heads=num_heads) self.drop_path = DropPath(drop_rate) if drop_rate > 0. else nn.Identity() self.norm2 = nn.LayerNorm(dim) hidden_features = int(dim * mlp_ratio) self.mlp = Mlp(in_features=dim, hidden_features=hidden_features, act_layer=nn.GELU, drop=drop_rate) def forward(self, x): x = x + self.drop_path(self.msa(self.norm1(x))) x = x + self.drop_path(self.mlp(self.norm2(x))) return x def build_vit(img_size=224, patch_size=16, embed_dim=768, depth=12, num_heads=12, class_num=1000): model = nn.Sequential( PatchEmbedding(img_size=img_size, patch_size=patch_size, embed_dim=embed_dim), *[ViTBlock(embed_dim, num_heads=num_heads) for _ in range(depth)], nn.LayerNorm(embed_dim), nn.Linear(embed_dim, class_num)) return model model = build_vit() print(model(torch.randn((1, 3, 224, 224))).shape # 输出形状应为 [batch_size, class_num] ``` 上述代码展示了如何构建一个基础版的 Vision Transformer 结构，并通过 `build_vit` 函数创建了一个完整的模型实例。 --- #### 4. 总结 Transformer 不仅限于文本领域，在图像处理方面同样表现出巨大潜力。通过合理的设计与优化策略，可以有效解决各类复杂的视觉问题。未来随着技术进步及相关研究深入，相信会有更多创新成果涌现出来。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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