网络中的一些基本概念

目录

1.TCP/IP五层(四层模型)

2.IP地址与端口号

3.协议

3.1协议的分层

3.2协议分层的好处

4.封装和分用


1.TCP/IP五层(四层模型)

先从最底层说起:

首先是物理层:负责光/电信号的传递方式,是一种硬件设备,比如我们的网线

然后是数据链路层:负责两个相邻节点的传输方式,也是一种硬件设备,比如经典的交换机

接着是网络层:负责两个节点的路线规划,比如我们的路由器

再然后是传输层:负责两个节点的传输(不包含路线规划),比如两台主机进行数据传输

最后是应用层:按照人为的意愿来负责主机之间进程的通信,比如我们的网络编程

其中的关系和逻辑主要是:我们把网络通信比喻成快递

物理层相当于我们运输快递的最基础设施,比如高速公路

有了高速公路之后才能搭建起两个地方之间的交通

这时候卖家把快递填上收件人和寄件人的信息,确定了两个地方的地址,这就相当于传输层负责确定两个节点的位置,传输层中有一个socket api(网络通信api),可以在应用层通过人为的设置,在客户端和服务器中取得通信.传输层有我们熟知的UPD和TCP协议

知道了起点和终点的位置后,需要对路径进行规划,比如是先到中转站再到目的地,这时候需要网络层来进行路径的规划

那应该以怎么样的方式运输呢,这时候数据链路层会安排.进程之间通信,会借助一个公共区域,这个公共区域就相当于我们快递的中转站,一般在网络通信中借助的公共区域就是网卡,能够让同一个主机的多个进程间通信,也可以让不同主机的多个进程间通信.

这是分层模型的示意图

2.IP地址与端口号

IP地址:相当于我们的住址,每台主机的位置

 端口号:相当于我们的编号.是主机中进程的身份标识,通常情况下,一个端口不能被同一个主机上的多个进程同时绑定,因为它是区分进程的身份标识,但是一个进程可以绑定多个端口,如果端口被别人占用,在尝试绑定,在Java中就会抛出的异常

特殊 IP
127.* IP 地址用于本机环回 (loop back) 测试,通常是 127.0.0.1
本机环回主要用于本机到本机的网络通信(系统内部为了性能,不会走网络的方式传输),对于
开发网络通信的程序(即网络编程)而言,常见的开发方式都是本机到本机的网络通信。

3.协议

相当于我们平时生活中的约定,比如我们统一用普通话交流,用普通话交流就相当于我们之间的"协议"

3.1协议的分层

上面我们提到TCP/IP五层模型,上层协议与下层协议之间通过接口连接,下层协议是接口的实现类.上层协议提供使用类,负责使用下层协议的内容,例如socket API就在传输层,负责网络层UDP协议和TCP协议在服务器和客户端里实现网路进程的通信

3.2协议分层的好处

1.下层协议给上层提供服务,上层调用下层协议(封装)

实现上层协议的人,不必考虑下层协议的细节

2.解耦合:把同一层的协议替换,不影响其他层的实现

4.封装和分用

封装就是向下兼容,分用就是向上解析

在网络通信的流程中一般这样理解:

当qq中发送了一个"hello":

接下来整个流程:

         

 

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 卷积神经网络(Convolutional Neural Network,CNN)是一种广泛应用于计算机视觉领域的深度学习模型。以下是一些卷积神经网络基本的概念: 1. 卷积层(Convolutional Layer):卷积层是CNN的核心层,它通过卷积运算提取图像的特征。卷积层包括卷积核和偏置项,卷积核通过卷积运算提取图像的局部特征。 2. 池化层(Pooling Layer):池化层用于对卷积层输出的特征图进行下采样,减少参数数量,防止过拟合。 3. 全连接层(Fully Connected Layer):全连接层将卷积层和池化层输出的特征图转换成一维向量,然后通过全连接层进行分类或回归。 4. 激活函数(Activation Function):激活函数用于增加CNN的非线性特性。常用的激活函数包括ReLU、Sigmoid和Tanh等。 5. 权重和偏置项(Weights and Bias):CNN的每个卷积核和全连接层都有自己的权重和偏置项,这些参数是通过反向传播算法进行训练得到的。 6. 卷积步长(Stride):卷积步长是卷积核在进行卷积运算时在输入特征图上移动的步长。 7. 填充(Padding):填充是在输入特征图的周围添加一些像素,用于保持输入和输出特征图的大小一致,防止信息丢失。常用的填充方式包括“Valid Padding”和“Same Padding”。 8. 卷积核数量(Filters):卷积核数量是指在特征图上进行卷积运算时使用的卷积核的数量,每个卷积核提取一种特征。 在卷积神经网络,这些基本概念相互配合,构成了一个复杂的深度学习模型,用于解决计算机视觉领域的分类、检测、分割等问题。 ### 回答2: 卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,常用于图像识别和计算机视觉任务。在理解CNN的基本概念前,我们需要了解以下几个关键概念: 1. 卷积层(Convolutional Layer):卷积层是CNN的核心组成部分,通过应用一系列滤波器(卷积核)对输入数据进行卷积操作,以提取输入数据的特征。每个滤波器实际上是一个小型的矩阵,通过在输入数据上进行平移运算,将每个局部区域与滤波器进行逐元素相乘,再将结果求和得到输出特征图。 2. 池化层(Pooling Layer):池化层通常用于下采样操作,以减少特征图的维度,并保留最重要的特征。常见的池化方式是最大池化(Max Pooling),即在特定的窗口选取最大值作为池化结果。 3. 激活函数(Activation Function):激活函数非线性地引入非线性特征,以提高CNN的表达能力。常见的激活函数有ReLU(修正线性单元)、Sigmoid和Tanh等。 4. 卷积核(Kernel):卷积核是CNN的重要参数,由多个权重构成。不同的卷积核可以提取不同的特征,通过改变卷积核的大小和数量,可以改变CNN提取的特征。 5. 步幅(Stride):步幅定义了卷积核在输入数据上的移动距离。较大的步幅可以减少输出特征图的尺寸,但可能会丢失一些信息。 6. 填充(Padding):填充是在输入数据周围添加额外像素,以控制输出特征图的尺寸。常用的填充方式有“Valid”(无填充)和“Same”(保持输入输出尺寸相同)。 通过以上基本概念,卷积神经网络能够有效地提取图像特征,并通过全连接层将这些特征映射到不同类别的分类结果。CNN已广泛应用于图像分类、目标检测、人脸识别等领域,取得了很多令人瞩目的成果。 ### 回答3: 卷积神经网络(Convolutional Neural Network,CNN)是一种用于处理具有格状结构的数据的人工神经网络。以下是一些卷积神经网络常见的基本概念: 1. 卷积层:卷积层是CNN的核心组成部分,通过对输入数据进行卷积操作来提取特征。卷积操作是通过将一个滤波器(也称为卷积核)与输入数据进行逐元素相乘,再求和的方式实现的。 2. 滤波器(卷积核):滤波器是卷积层的参数,用于检测图像的特定特征,如边缘、纹理等。滤波器的大小和形状可以根据需求来设计。 3. 激活函数:激活函数在卷积神经网络用于引入非线性变换,增加网络的表达能力。常见的激活函数有ReLU、Sigmoid和TanH等,它们通过将输入映射到某个特定范围内的数值来实现非线性变换。 4. 池化层:池化层用于减小特征图的空间尺寸,同时保留主要的特征信息。常用的池化方式有最大池化和平均池化,它们分别选取池化窗口内的最大值或平均值作为输出。 5. 全连接层:全连接层是卷积神经网络的最后一层,它将前面的卷积和池化层的输出连接在一起,并应用于分类或回归问题。全连接层的每个神经元都与上一层的所有神经元相连。 6. 批归一化层:批归一化层用于加速模型的训练速度和稳定性,通过对每个批次的数据进行标准化来规范化网络的输入。它可以使数据在训练过程的分布更稳定,加快训练速度并提高模型的泛化能力。 7. 损失函数:损失函数用于衡量模型输出与真实值之间的差异程度,是卷积神经网络的优化目标。常见的损失函数有均方差损失和交叉熵损失等,用于回归和分类问题。 卷积神经网络是目前在图像识别、目标检测等任务取得显著结果的一种深度学习模型,上述概念是理解和应用CNN的基础。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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