精华内容
下载资源
问答
  • 常见几种网络设备
    万次阅读
    2018-03-30 18:12:57

    一、网卡(Network Interface)

    • 使计算连网的网络设备。

    二、中继器(RP Repeater)

    • 工作在物理层上的连接设备,OSI模型的物理层设备。
    • 适用于完全相同的两类网络的互连,主要功能是通过对数据信号的重新发送或者转发,来扩大网络传输的距离。
    • 中继器是对信号进行再生和还原的网络设备。
    • 即使数据在链路层出现错误,中继器依然转发数据。
    • 不改变传输速度。
    • 不能在传输速度不一致的媒介之间转发。
    • 有些中继器提供多个端口服务,这种中继器被称为中继集线器或集线器。

    三、网桥(Bridge)

    • 工作在OSI模型的第二层-数据链路层连接两个网络的设备。
    • 根据数据帧内容转发数据给其他相邻的网络。
    • 基本只用于连接相同类型的网络,有时候也连接传输速率不一致的网络。
    • 网桥是一种对帧进行转发的技术,根据MAC分区块,可隔离碰撞。
    • 具备“自学习”机制,网桥对站点所处网段的了解是靠“自学习”实现的,有透明网桥、转换网桥、封装网桥、源路由选择网桥。
    • 以太网中常用的交换集线器也是网桥的一种。

    四、路由器(Router)

    • 工作在OSI的第三层-网络层连接网络与网络的设备。
    • 可以将分组报文发送到另一个目标路由器地址。
    • 基本上可以连接任意两个数据链路。
    • 具有分担网络负荷、网络安全功能。

    五、交换机(Switch)

    • 交换机可以说同时是集线器和网桥的升级换代产品,因为交换机具有集线器一样的集中连接功能,同时它又具有网桥的数据交换功能。所以可以这样说,交换机是带有交换功能的集线器,或者说交换机是多端口的网桥。外形上,集线器与交换机产品没什么太大区别。这一类交换机工作于ISO模型的第二层-数据链路层。
    • 4-7层交换机可用于带宽控制、特殊应用访问加速、防火墙等。

    六、网关(Gateway)

    • 在网络层以上实现网络互连,是最复杂的网络互连设备,仅用于两个高层协议不同的网络互连。网关既可以用于广域网互连,也可以用于局域网互连。 网关是一种充当转换重任的计算机系统或设备。使用在不同的通信协议、数据格式或语言,甚至体系结构完全不同的两种系统之间,网关是一个翻译器。
    • 负责协议转换和数据转发。
    • 在同一种协议之间转发数据叫做运用网关。
    更多相关内容
  • 常见的防火墙有哪几种类型

    千次阅读 2021-12-03 13:29:52
    常见的防火墙有哪几种类型

    防火墙对于游戏、金融、视频等等易受到攻击的行业来说,其部署是相当重要的,虽说不能百分百防御所有攻击,但在其中也起了很大的作用。

      防火墙是为加强网络安全防护能力在网络中部署的硬件设备,有多种部署方式,常见的主要有以下几种方式。
    1、桥模式
      桥模式也可叫作透明模式。最简单的网络由客户端和服务器组成,客户端和服务器处于同一网段。为了安全方面的考虑,在客户端和服务器之间增加了防火墙设备,对经过的流量进行安全控制。正常的客户端请求通过防火墙送达服务器,服务器将响应返回给客户端,用户不会感觉到中间设备的存在。工作在桥模式下的防火墙没有IP地址,当对网络进行扩容时无需对网络地址进行重新规划,但牺牲了路由、扶墙等功能。
    2、网关模式
      网关模式适用于内外网不在同一网段的情况,防火墙设置网关地址实现路由器的功能,为不同网段进行路由转发。网关模式相比桥模式具备更高的安全性,在进行访问控制的同时实现了安全隔离,具备了一定的私密性。
    3、NAT模式
    NAT(Network Address Translation)地址翻译技术由防火墙对内部网络的IP地址进行地址翻译,使用防火墙的IP地址替换内部网络的源地址向外部网络发送数据;当外部网络的响应数据流量返回到防火墙后,防火墙再将目的地址替换为内部网络的源地址。NAT模式能够实现外部网络不能直接看到内部网络的IP地址,进一步增强了对内部网络的安全防护。同时,在NAT模式的网络中,内部网络可以使用私网地址,可以解决IP地址数量受限的问题。
      如果在NAT模式的基础上需要实现外部网络访问内部网络服务的需求时,还可以使用地址/端口映射(MAP)技术,在防火墙上进行地址/端口映射配置,当外部网络用户需要访问内部服务时,防火墙将请求映射到内部服务器上;当内部服务器返回相应数据时,防火墙再将数据转发给外部网络。使用地址/端口映射技术实现了外部用户能够访问内部服务,但是外部用户无法看到内部服务器的真实地址,只能看到防火墙的地址,增强了内部服务器的安全性。
    4、高可靠性设计
      防火墙都部署在网络的出入口,是网络通信的大门,这就要求防火墙的部署必须具备高可靠性。一般IT设备的使用寿命被设计为3至5年,当单点设备发生故障时,要通过冗余技术实现可靠性,可以通过如虚拟路由冗余协议(VRRP)等技术实现主备冗余。目前,主流的网络设备都支持高可靠性设计。
      防火墙部署可谓难也可谓易,对于小白来说,最方便的方式就是直接租用高防服务器,免部署防火墙,购买立即使用,网络安全方面可谓不用烦太多,还有24小时售后服务。

    展开全文
  • 几种常见神经网络模型

    千次阅读 2020-02-26 11:42:44
    class Flatten(torch.nn.Module): #展平操作 def forward(self, x): return x.view(x.shape[0], -1) class Reshape(torch.nn.Module): #将图像大小重定型 def forward(self, x): return x.view(...

    在这里插入图片描述

    #net
    class Flatten(torch.nn.Module):  #展平操作
        def forward(self, x):
            return x.view(x.shape[0], -1)
    
    class Reshape(torch.nn.Module): #将图像大小重定型
        def forward(self, x):
            return x.view(-1,1,28,28)      #(B x C x H x W)
        
    net = torch.nn.Sequential(     #Lelet                                                  
        Reshape(),
        nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2), #b*1*28*28  =>b*6*28*28
        nn.Sigmoid(),                                                       
        nn.AvgPool2d(kernel_size=2, stride=2),                              #b*6*28*28  =>b*6*14*14
        nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5),           #b*6*14*14  =>b*16*10*10
        nn.Sigmoid(),
        nn.AvgPool2d(kernel_size=2, stride=2),                              #b*16*10*10  => b*16*5*5
        Flatten(),                                                          #b*16*5*5   => b*400
        nn.Linear(in_features=16*5*5, out_features=120),
        nn.Sigmoid(),
        nn.Linear(120, 84),
        nn.Sigmoid(),
        nn.Linear(84, 10)
    )
    

    AlexNet,VGG,NiN,GoogLeNet,
    https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/jupyter/vvwireWUr0tRbjumjfvLz

    展开全文
  • 几种常见卷积神经网络结构

    万次阅读 多人点赞 2020-08-25 17:03:56
    卷积神经网络( Convolutional NeuralNetwork,CNN) 提供了一端到端的学习模型模型中的参数可以通过传统的梯度下降方法进行训练,经过训练的卷积神经网络能够学习到图像中的特征,并且完成对图像特征的提取和分类...

    卷积神经网络

    图像特征的提取与分类一直是计算机视觉领域的一个基础而重要的研究方向。卷积神经网络( Convolutional Neural Network,CNN) 提供了一种端到端的学习模型,模型中的参数可以通过传统的梯度下降方法进行训练,经过训练的卷积神经网络能够学习到图像中的特征,并且完成对图像特征的提取和分类。作为神经网络领域的一个重要研究分支,卷积神经网络的特点在于其每一层的特征都由上一层的局部区域通过共享权值的卷积核激励得到。这一特点使得卷积神经网络相比于其他神经网络方法更适合应用于图像特征的学习与表达。

    早期的卷积神经网络结构相对简单,如经典的Le Net-5 模型,主要应用在手写字符别、图像分类等一些相对单一的计算机视觉应用领域中。随着研究的不断深入,卷积神经网络的结构不断优化,其应用领域也逐渐得到延伸。例如,卷积神经网络与深信度网络( Deep Belief Network,DBN)相结合产生的卷积深信度网 络( Convolutional Deep Belief Network,CDBN)作为一种非监督的生成模型,在人脸特征提取得到广泛应用;Alex Net在海量图像分类领域取得了突破性的成果;基于区域特征提取的 R-CNN( Regions with CNN)在目标检测领域取得了成 功;全卷积网络( Fully Convolutional Network,FCN)]实现了端到端的图像语义分割,并且在准确率上大幅超越了传统的语义分割算法。近年来,卷积神经网络的结构研究仍然有着很高的热度,一些具有优秀性能的网络结构不断被提出。

    • 卷积神经网络的基本结构

    CNN的基本结构由输入层、卷积层(convolutional layer)、 池 化 层 (pooling layer)、全连接层及输出层构成。卷积层和池化层一般会取若干个,采用卷积层和池化层交替连接,即一个卷积层连接一个池化层,池化层后再连接一个卷积层,依此类推。由于卷积层中输出特征面的每个神经元与其输入进行局部连接 并通过对应的连接权值与局部输入进行加权求和再加上偏置值,得到该神经元输入值,该过程类似于卷积过程,CNN也由此而得名。

    在卷积神经网络中,输入图像通过多个卷积层和池化层进行特征提取,逐步由低层特征变为高层特征;高层特征再经过全连接层和输出层进行特征分类,产生一维向量,表示当前输入图像的类别。因此,根据每层的功能,卷积神经网络可以划分为两个部分: 由输入层、卷积层和池化层构成特征提取器,以及由全连接层和输出层构成分类器,结构如下图1所示。

    • 卷积神经网络的工作原理

    卷积神经网络的工作原理可以分为网络模型定义、网络训练以及网络的预测三个部分:

    1) 网络模型定义

    网络模型的定义需要根据具体应用的数据量以及数据本身的特点,设计网络深度、网络每一层的功能,以及设定网络中的超参数,如: λ、η 等。针对卷积神经网络的模型设计有不少的研究,比如模型深度方面、卷积的步长方面、激励函数方面等。此外,针对网络中的超参数选择,也存在一些有效的经验总结。但是,目前针对网络模型理论分析和量化研究相对还比较匮乏。

    2) 网络训练

    卷积神经网络可以通过残差的反向传播对网络中的参数进行训练。但是,网络训练中的过拟合以及梯度的消逝与爆炸等问题极大影响了训练的收敛性能。针对网络训练的问题,研究者们提出了一些改善方法。例如:可以使用高斯分布的随机初始化网络参数;利用经过预训练的网络参数进行初始化;对卷积神经网络不同层的参数进行相互独立同分布的初始化。根据近期的研究趋势,卷积神经网络的模型规模正在迅速增大,而更加复杂的网络模型也对相应的训练策略提出了更高的要求。

    3) 网络的推断预测

    卷积神经网络的预测过程就是通过对输入数据进行前向传导,在各个层次上输出特征图,最后利用全连接网络输出基于输入数据的条件概率分布的过程。近期的研究表明,经过前向传导的卷积神经网络高层特征具有很强的判别能力和泛化性能。这一研究成果对于扩展卷积神经网络的应用领域具有重要的意义。

    • 卷积神经网络的模型结构

    Lecun 等提出的 Le Net-5 模型采用了交替连接的卷积层和下采样层对输入图像进行前向传导,并且最终通过全连接层输出概率分布。这种结构是当前普遍采用的卷积神经网络结构的原型。Le Net-5 虽然在手写字符识别领域取得了成功,但是其存在的缺点也比较明显,包括:

    1. 难以寻找到合适的大型训练集对网络进行训练以适应更为复杂的应用需求。
    2. 过拟合题使得 Le Net-5 的泛化能力较弱。
    3. 网络的训练开销非常大,硬件性能支持的不足使得网络结构的研究非常困难。 以上三大制约卷积神经网络发展的重要因素在近期的研究中取得了突破性的进展是卷积神经网络成为一个新的研究热点的重要原因。并且,近期针对卷积神经网络的深度和结构优化方面的研究进一步提升了网络的数据拟合能力。针对 Le Net-5 的缺陷,Krizhevsky 等提出了Alex Net。Alex Net 有5层卷积网络,如下图2所示。网络有约65万个神经元以及6 000万个可训练参数,从网络规模上大大超越了Le Net-5。另外,Alex Net选择了大型图像分类数据库 Image Net作为训练数据集。Image Net 提供了1 000个类别共 120 万张图片进行训练,图片的数量和类别都大幅度超越了以往的数据集。在去过拟合方面,Alex Net 引了dropout,一定程度上减轻了网络过拟合问题。在硬件支持方面,Alex Net 使用了GPU进行训练,相比传统的CPU 运算,GPU 使网络的训练速度提高了十倍以上。Alex Net在 Image Net 的 2012 图像分类竞赛中夺得冠军,并且相比于第二名的方法在准确度上 取得了高出11% 的巨大优势。Alex Net 的成功使得卷积神经网络的研究再次引起了学术界的关注。

    图2  Alex Net 结构

    Simonyan 等在Alex Net 的基础上,针对卷积神经网络的深度进行了研究提出了VGG 网络。VGG 由3×3的卷积核构建而成,通过对比不同深度的网络在图像应用中的性能。Simonyan等证明了网络深度的提升有助于提高图像分类的准确度。然而,这种深度的增加并非没有限制,在恰当的网络深度基础上继续增加网络的层数,会带来训练差增大的网络退化问题。因此,VGG 的最佳网络深度被设定在了16~19 层,结构如下图3所示。

     

    图3  VGG结构

    针对深度络的退化问题,He 等分析认为如果网络中增加的每一个层次都能够得到优化的训练,那么误差是不应该会在网络深度加大的情况下提高的。因此,网络退化问题说明了深度网络中并不是每一个层次都得到了完善的训练。He 等提出了一种 Res Net 网络结构。Res Net 通过Short connections将低层的特征图 x 直接映射到高层的网络中,如下图4所示。假设原本网络的非线性映射为F( x),那么通过 short connection连接之后的映射关系就变为了 F( x) + x。He 等提出这一方法的依据是 F( x) + x 的优化相比 F(x)会更加容易。因为,从极端角度考虑如果x已经 是 一 个 优 化 的 映 射,那 么 short connection之间的网络映射经过训练后就会更趋近于0。这就意味着数据的前向传导可以在一定程度上通short connection 跳过一些没有经过完善训练的层次,从而提高网络的性能。实验证明,Res Net 虽然使用了和 VGG 同样大小的卷积核,但是网络退化问题的解决使其可以构建成为一个152层的网络,并且Res Net 相比VGG 有更低训练误差和更高的测试准确度。

    图4  残差块结构

    虽然 Res Net 在一定程度上解决了深层网络退化的问题,但是关于深层网络的研究仍然存在一些疑问:

    1. 如何判断深度网络中哪些层次未能得到完善的训练。
    2. 是什么原因导致深度网络中部分层次训练的不完善。
    3. 如何处理深层网络中训练不完善的层次。

    在卷积神经网络深度的研究以外,Szegedy 等更关注通过优化网络结构从而降低网络的复杂程度。他们提出了一种卷积神经网络的基本模块称为Inception。如图5所示,Inception 模块由1 × 1,3 × 3,5 × 5 的卷积核组成。小尺度卷积核的使用主要有两大优点: 1) 限制了整个网络中的训练参数数量,降低了网络的复杂度;2) 不同大小的卷积核在多尺度上针对同一图像或者特征图进行了特征提取。实验表明,使用 Inception 模块构建的GoogLe Net的训练参数数量只有Alex Net 的 1 /12,但是在 Image Net 上的图像分类准度却高出 Alex Net 大约 10% 。

    图5  Inception 模块

    卷积神经网络结构方面的研究是一个开放的问题,基于当前的研究状况,目前的研究主要形成了两大趋势:

    1. 增加卷积神经网络的深度。
    2. 优化卷积神经网络的结构,降低网络的复杂度。

    在卷积神经网络的深度研究方面,主要依赖于进一步分析深层次网络存在的潜在隐患( 如:网络退化) ,以解决深层网络的训练问题( 如: VGG、Res Net) 。而在优化网络结构方面,目前的研究趋势是进一步加强对于当前网络结构的理解和分析,以更简洁高效的网络结构取代当前的结构,进一步地降低网络复杂度并且提升网络的性能( 如:GoogLe Net、完全卷积网络) 。

    展开全文
  • 几种经典的卷积神经网络模型

    万次阅读 多人点赞 2019-03-17 14:34:28
    1.卷积神经网络解决的问题 2.经典的卷积神经网络 2.1 LeNet 2.2 AlexNet 2.3 VGG 2.3.1 VGG块 2.3.2 VGG网络 2.4 NiN 2.4.1 Nin块 2.4.2 Nin网络 2.5 GooLeNet 2.5.1 Inception块 2.5.2 GoogLeNet网络 ...
  • 常见的神经网络模型大总结

    万次阅读 多人点赞 2018-08-20 11:12:24
    下表包含了大部分常用的模型(大部分是神经网络还有一些其他的模型)。虽然这些架构都是新奇独特的,但当我开始把它们的结果画下来的时候,每架构的底层关系就会清晰。 显然这些节点图并不能显示各个模型的内部...
  • 而每个人都会自己的建模方式,今天小编为大家介绍几种建模方式,种会最适合于你。 一、实体造型 实体建模涉及到处理基本图形,例如球体、立方体和n边棱柱体。然而,不同的程序可能使用不同的程序。有些人从二维...
  • 常见网络安全模型

    千次阅读 2022-03-11 17:38:26
    文章目录1、网络安全基本模型2、网络安全访问模型3、PPDR安全模型4、PDRR安全模型5、MPDRR安全模型 1、网络安全基本模型 通信双方想要传递某个信息,需建立一个逻辑上的信息通道。通信主体可以采取适当的安全机制...
  • 循环神经网络RNN以及几种经典模型

    千次阅读 多人点赞 2020-02-20 21:35:32
    因此,就了现在的循环神经网络,他的本质是:拥有记忆的能力,并且会根据这些记忆的内容来进行推断。因此,他的输出就依赖于当前的输入和记忆。 网络结构及原理 循环神经网络的基本结构特别简单,就是将网络的输出...
  • 深度学习----CNN几种常见网络结构及区别

    万次阅读 多人点赞 2018-08-10 11:11:35
    二、 AlexNet网络 2.1 ReLU 非线性激活函数 多GPU训练(Training on Multiple GPUs) 局部响应归一化(Local Response Normalization) 重叠池化(Overlapping Pooling) 2.2 降低过拟合( Reducing Overfitting...
  • 《复杂网络与大数据》第二章:复杂网络模型的学习笔记 目录 1动态演化网络 1.1以网络演化的部件划分 1.2以是否考虑权重划分 1.3以演化网络采用的演化机制划分 1.4以演化网络是否动态变化划分 2社区网络 2.1...
  • 人类神经网络为一类似人类神经结构的并行计算模式,是”一基于脑与神经系统研究,所启发的信息处理技术...人工神经网络分类,常见的人工神经网络模型可分为四大类,如下所示: 1.监督式学习网络,从问题中取得...
  • 几种常见的神经网络了解

    万次阅读 2017-01-12 11:57:22
    神经网络技术起源-感知机神经网络技术起源于上世纪五、六十年代,当时叫感知机(perceptron),拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层,在输出层得到分类结果。早期感知机的推动...
  • 常见的卷积神经网络模型

    千次阅读 2020-11-15 16:56:55
    文章目录一、LeNet二、AlexNet2.1 AlexNet的优点三:VGGNet3.1 VGG的特点...LeNet诞生于1994年,由深度学习三巨头之一的Yan LeCun提出,他也被称为卷积神经网络之父。        LeNe
  • 文档包括常见32种建模方法以及支持向量机和作业计划、灰色预测模型、第七、八届华中地区大学生数学建模邀请赛赛题等。 第一至五章为:线性规划、整数规划、非线性规划、动态规划、图与网络; 第六至十章分别为:排队...
  • 计算机网络几种常见的协议

    千次阅读 2020-05-15 11:26:26
    网络层: 常见的协议 IP 协议,ICMP 协议,IGMP 协议 网络接口层: 常见的协议 ARP 协议,RARP 协议 TCP 传输控协议(TransmissionControl Protocol)是一面向连接的,可靠的,基于字节流的传输层通信协议 UDP...
  • AI - 网络模型简介

    千次阅读 2021-12-16 11:51:05
    网络模型机器学习神经网络类型目标检测模型 机器学习 知识体系 神经网络类型 神经网络主要类型及其应用 (1)标准网络 - 感知器: 单层神经网络,所有网络最基本的,没有隐藏层,包含两层:输入层,输出层   [1]...
  • dbms支持哪几种数据模型 DBMS数据库模型 (DBMS Database Models) A Database model defines the logical design and structure of a database and defines how data will be stored, accessed and updated in a ...
  • 几种常用的网络传输协议

    千次阅读 2019-10-07 10:36:08
    一、OSI模型 名称            层次                功能 物理层  ...
  • 几种常见的预测模型

    万次阅读 多人点赞 2018-03-26 16:14:42
    几种常见的预测模型1.趋势外推预测方法趋势外推预测方法是根据事物的历史和现实数据,寻求事物随时间推移而发展变化的规律,从而推测其未来状况的一种常用的预测方法。 趋势外推法的假设条件是: (1)假设事物发展...
  • 计算机网络几种常见协议

    万次阅读 多人点赞 2019-08-12 03:18:57
    一 .典型协议: ...网络层: 常见的协议 IP 协议,ICMP 协议,IGMP 协议 网络接口层: 常见的协议 ARP 协议,RARP 协议 TCP 传输控协议(TransmissionControl Protocol)是一面向连接的,...
  • 几种常见的循环神经网络结构RNN、LSTM、GRU 一、循环神经网络(RNN) 传统文本处理任务的方法中一般将TF-IDF向量作为特征输入。显而易见,这样的表示实际上丢失了输入的文本序列中每个单词的顺序。在神经网络建模...
  • 循环神经网络(RNN)在自然语言处理、语音识别等很广泛的用途。LSTM和GRU是目前使用最广泛的两个循环神经网络模型变种。该视频课程内容主要分为三大部分,机器学习神经网络RNN教程、LSTM、GRU。
  • 种常见的神经网络

    万次阅读 多人点赞 2018-09-06 16:40:47
    主要以下三: 1、全连接神经网络(FNN) 特点:每一层是全连接层—即每一层的每个神经元与上一层所有神经元都连接; 作用: 1、多个全连接层可以从不同角度提取特征; 2、全连接层作为输出层分类和数值...
  • 数学建模常见模型

    千次阅读 2021-08-30 19:37:36
    数学建模中比较常见几种模型: (一)、预测与预报 1、灰色预测模型(必须掌握) 满足两个条件可用: ①数据样本点个数少,6-15个 ②数据呈现指数或曲线的形式 例如:可以通过极值点和稳定点来预测下一次稳定点和...
  • 计算机网络是指由通信线路互相连接的许多自主工作的计算机构成的集合体,各个部件之间以何规则进行通信,就是网络模型研究的问题。 网络模型有:OSI七层参考模型和TCP/IP四层参考模型、五层参考模型。 文章目录...
  • 模型1:多线程模型 每来一个连接,服务器就会新建一个线程来处理该连接的读写事件。 特点: 1)采用阻塞式 I/O 模型读取数据; 2)每个连接都需要独立的线程完成数据读取,业务处理,数据返回的完整操作。 存在问题...
  • 网络七层协议模型

    千次阅读 2022-03-14 15:16:42
    物理层:解决硬件之间通信的问题,常见的物理媒介光纤、电缆、中继器等。它主要定义物理设备标准,如网线的接口类型、光纤的接口类型、各种传输介质的传输速率等。 它的主要作用是传输比特流(就是由1、0转化为...
  • 常见的五神经网络系列第三篇,主要介绍循环神经网络,由于循环神经网络包含的内容过多,分位上下两篇进行介绍,本文主要是循环神经网络(上)篇,主要介绍以下内容: 循环神经网络概述 如何给神经网络增加记忆...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 529,919
精华内容 211,967
关键字:

常见的网络模型有哪几种