TCP/IP

控制层面
应用层(第七层):实现人机互联。
表示层(第六层):将语言转换为二进制语言,并进行加密。
会话层(第五层):将数据分开并隔离。

数据层面
传输层(第四层 PDU segment):1.区分流量 2.定义传输数据方式(分段 切片)
1.1用端口号进行区分流量(1—65535)
静态端口号:1—1023
动态端口号:1024—65535
1.2传输方式:
可靠传输(TCP):1.确认机制 2.重传输机制
TCP:面向连接的可靠传输
三次握手机制:保证了面向连接,又成TCP的三次握手

2.1不可靠传输:1.流量大 2.实时性要求高 3.对数据丢失不敏感
UDP:非面向连接的不可靠传输
优化机制:
流控机制:数据的缓冲包
重排序:对数据进行重新拆分
数据的分段传输:按在MTU值分段传输
MTU:最大传输单元,默认1500字节

确认机制:显示确认 隐式确认

网络层(第三层 PDU packet)编址 寻址
IP(IPv4 IPv6):32个二进制,0和1构成

网络掩码:32个二进制,连续的0和1构成,连续的1为网络位,连续的0为主机位(IP与网络掩码一般同时存在)
网络位 主机位
255.255. 0.0
11111111.11111111.00000000.00000000

地址的分类: 网络掩码
A类:以0开头(0—127) 255.0.0.0
B类:以10开头(128—191)255.255.0.0
C类:以110开头(192—223)255.255.255.0
D类:以1110开头(224—239)组播地址 无掩码
E类:1111开头(240—255)255.255.255.255

特殊地址:
1 以0开头的为无效地址:0.X.X.X
2 以127开头的为测试地址(127.0.0.1—本地测试地址)
3 网络号:网络位不变,主机位全为0(一个网段)不能用来配地址
192.168.5.0/24
广播地址:网络位不变,主机号全为1,用于通信,不能配个某个设备使用
3 受限广播地址:255.255.255.255
4 定向广播地址:200.1.1.255
5 本地链路地址168.254.0.0

公有地址:具有全球唯一性
私有地址:不具有全球唯一性
A类私有地址:以10开头的网络地址
10.1-255.1-255.1-255(10.255.225.225为广播号)/8
B类私有地址:172.16-32.1-255.1-255(172.16-32.255.255—广播号)
C类私有地址:168.192.0-255.1-254

A,B,C都为单播地址
单播:一对一
组播:一对多
广播:一对所有

数据链路层(PDU frame)
LLC和MAC层
LLC(数据链路子层):控制流量
Mac:标识设备

Mac:由48个二进制组成,书写成12个十六进制

物理层(PDU bit)
传输介质:光纤,双绞线

双绞线:
568A线序:绿白,绿,橙白,蓝,蓝白,橙,棕白,棕

568B线序:橙白,橙,绿白,蓝,蓝白,绿,棕白,棕

平行线:线序相同
交叉线:线序不同
全反线:线序相反

路由器:三层设备,识别IP地址。不同的接口在不同的网段(广播域)交换机(网桥) :二层设备,使用MAC地址,所有的接口默认在同一个广播域,一个接口是一个冲突域。

集线器(hub) :放大器放大信号,属于1层设备,识别bit流, hub. 上所有的接口都在同一个冲突域中。

主机(服务器)

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

打赏作者

North433

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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