网络模型

【注】：文章中的内容主要收集来自网上或者书籍中。 1、网络协议分层 按照分层的思想把网络协议栈进行分层主要有以下好处： 1.促进标准化工作，允许各个供应商进行开发 2.各层间相互独立，把网络操作分成低复杂单元 3.灵活性好，某一层变化不会影响到其它层 4.各层间通过一个接口在相邻层上下通信 OSI七层模型和TCP/IP五层模型的对比如下，我们现在用的是五层协议模型： 2、PDU、封装和解封装 PDU（protocol data unit）：每一层使用自己层的协议和别的系统的对应层相互通信，协议层的协议在对等层之间交换的信息叫协议数据单元 上层：message 传输层：segment 网络层：packet 数据链路层：frame 物理层：bit 封装：数据要通过网络进行传输，要从高层一层一层的向下传送，如果一个主机要传送数据到别的主机，先把数据装到一个特殊协议报头中，这个过程叫封装 封装分为：切片和加控制信息 解封装：上述的逆向过程 数据进入TCP/IP协议栈时的封装过程如下： 数据进入TCP/IP协议栈时的解封装过程如下： 3、以太帧和常见的报文格式 （1）以太网帧（Ethernet II Frame） D-MAC：目的MAC地址 S-MAC：源MAC地址 类型域：表示帧里面上层协议数据的类型，0x0800代表IP协议帧，0x0806代表ARP协议帧 CRC：帧校验 （2

1.什么是迁移学习 　　迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。找到目标问题的相似性，迁移学习任务就是从相似性出发，将旧领域(domain)学习过的模型应用在新领域上。 2.为什么需要迁移学习 　　 使用深度学习技术解决问题的过程中，最常见的障碍在于，因为模型有大量的参数需要训练，因此需要海量训练数据作支撑。虽然有大量的数据，但往往都是没有标注的，无法训练机器学习模型。人工进行数据标定太耗时。 　　在面对某一领域的具体问题时，通常可能无法得到构建模型所需规模的数据。普通人无法拥有庞大的数据量与计算资源。因此需要借助于模型的迁移。 　　借助迁移学习，在一个模型训练任务中针对某种类型数据获得的关系也可以轻松地应用于同一领域的不同问题。 3.迁移学习的基本问题有哪些？ 基本问题主要有3个： How to transfer： 如何进行迁移学习？（设计迁移方法） What to transfer： 给定一个目标领域，如何找到相对应的源领域，然后进行迁移？（源领域选择） When to transfer：

Abstract 许多图像到图像的翻译问题是有歧义的，因为一个输入图像可能对应多个可能的输出。在这项工作中，我们的目标是在一个条件生成模型设置中建立可能的输出分布。将模糊度提取到一个低维潜在向量中，在测试时随机采样。生成器学习将给定的输入与此潜在编码映射到输出。我们明确地鼓励输出和潜在编码之间的连接是可逆的。这有助于防止训练期间从潜在编码到输出的多对一映射也称为模式崩溃问题，并产生更多样化的结果。我们通过使用不同的训练目标、网络架构和注入潜在编码的方法来探索此方法的几个变体。我们提出的方法鼓励了潜在编码模式和输出模式之间的双射一致性。我们提出了对我们的方法和其他变种在视觉真实性和多样性方面进行了一个系统的比较。 1 Introduction 深度学习技术在条件图像生成方面取得了快速的进展。例如，网络已经被用来填补缺失的图像区域[20,34,47]，给灰度图像添加颜色[19,20,27,50]，并从草图生成逼真的图像[20,40]。然而，这个领域的大多数技术都集中于生成单个结果。在这项工作中，我们模拟一个潜在结果的分布，因为许多这些问题可能是多模态。例如，如图1所示，根据云的模式和光照条件，夜间捕获的图像在白天可能看起来非常不同。我们追求两个主要目标:产生(1)视觉上真实的和(2)多样化的结果，同时保持对输入的忠实。 从高维输入到高维输出分布的映射具有挑战性

https://github.com/wchen342/SketchyGAN Abstract 从人体草图中合成逼真的图像是计算机图形学和视觉学中的一个具有挑战性的课题。现有的方法要么需要精确的边缘图，要么依赖于检索现有的照片。在这项工作中，我们提出了一种新颖的生成对抗网络(GAN)方法，它综合了包括摩托车、马和沙发在内的50个类别的可信图像。我们展示了一种完全自动化的草图数据扩充技术，并说明扩充的数据对我们的任务是有帮助的。提出了一种既适用于生成器又适用于判别器的新型网络结构块，通过注入多尺度的输入图像来改善信息流动。与最先进的图像转换方法相比，我们的方法生成更真实的图像，并获得更高的Inception分数 1. Introduction 我们怎样才能快速地想象出一个场景或物体?最简单的方法之一是画一个草图。与摄影相比，草图不需要任何捕捉设备，也不局限于对现实的忠实采样。然而，草图往往是简单和不完美的，因此从新手草图中合成逼真的图像是具有挑战性的。基于草图的图像合成可以使非技术人员在没有显著的艺术技能或图像合成领域的专业知识的情况下创建现实的图像。这通常是困难的，因为草图是稀疏的，而且新手的人类艺术家不能画出精确反映物体边界的草图。由草图合成的真实图像应该尽可能地尊重艺术家的意图，但为了保留在自然的图像流形上，可能需要偏离粗糙的笔画。在过去的30年里

网络按照覆盖范围可分为局域网（LAN）、城域网（MAN）和广域网（WAN）。 OSI参考模型将整个网络的通信功能分为七层，由低到高分别是：物理层、数据链路层、网络层、传输层、会话层、表示层和应用层。 严格对等层通信，对等层相同协议。 网络层地址是由网络地址和主机地址两部分地址组成的，网络地址是全局唯一的。 来源： https://www.cnblogs.com/wdn135468/p/11937298.html

一、MTCNN的原理 　　搭建人脸识别系统的第一步是 人脸检测 ，也就是在图片中找到人脸的位置。在这个过程中，系统的输入是一张可能含有人脸的图片，输出是人脸位置的矩形框，如下图所示。一般来说，人脸检测应该可以正确检测出图片中存在的所有人脸，不能用遗漏，也不能有错检。　　 　　　 　　获得包含人脸的矩形框后，第二步要做的就是 人脸对齐（Face Alignment） 。原始图片中人脸的姿态、位置可能较大的区别，为了之后统一处理，要把人脸“摆正”。为此，需要检测人脸中的 关键点（Landmark） ，如眼睛的位置、鼻子的位置、嘴巴的位置、脸的轮廓点等。根据这些关键点可以使用 仿射变换 将人脸统一校准，以尽量消除姿势不同带来的误差，人脸对齐的过程如下图所示。 　　　 　　这里介绍一种基于深度卷积神经网络的人脸检测和人脸对齐方法----MTCNN，它是基于卷积神经网络的一种高精度的实时人脸检测和对齐技术。MT是英文单词Multi-task的缩写，意思就是这种方法可以同时完成人脸检测的人脸对齐两项任务。相比于传统方法，MTCNN的性能更好，可以更精确的定位人脸，此外，MTCNN也可以做到实时的检测。 　　MTCNN由三个神经网络组成，分别是 P-Net、R-Net、O-Net 。在使用这些网络之前，首先要将原始图片缩放到不同尺度，形成一个“图像金字塔”，如下图所示。 　　　 　

1.OSI七层网络模型介绍 　　OSI（Open System Interconnection，开放系统互连）七层网络模型称为开放式系统互联参考模型 ，是一个逻辑上的定义，一个规范，它把网络从逻辑上分为了7层。每一层都有相关、相对应的物理设备，比如路由器，交换机。 　　OSI七层模型是一种框架性的设计方法，建立七层模型的主要目的是为解决异种网络互连时所遇到的兼容性问题，其最主要的功能就是帮助不同类型的主机实现数据传输。它的最大优点是将服务、接口和协议这三个概念明确地区分开来，通过七个层次化的结构模型使不同的系统不同的网络之间实现可靠的通讯。 OSI七层结构图： 各层简介： 物理层（Physical Layer） ：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转化为电流强弱来进行传输,到达目的地后在转化为1、0，也就是我们常说的数模转换与模数转换），这一层的数据叫做比特，单位是bit比特。 数据链路层（Datalink Layer） ：定义了如何让格式化数据以进行传输，以及如何让控制对物理介质的访问，这一层通常还提供错误检测和纠正，以确保数据的可靠传输。交换机(二层)、网桥设备在这一层。数据链路层协议的代表包括：PPP、STP、帧中继等。 网络层（Network Layer）

一、背景 WGAN的全称为Wasserstein GAN, 是 Martin Arjovsky 等人于17年1月份提出的一个模型，该文章可以参考[1]。WGAN针对GAN存在的问题进行了有针对性的改进，但WGAN几乎没有改变GAN的结构，只是改变了激活函数和loss函数，以及截取权重，却得到了非常好的效果[2]。且WGAN的方法同样适用于DCGAN。 本文以python爬虫爬取的皮卡丘(pikachu)数据集为例，利用WGAN生成皮卡丘图像。 [1]文章链接： https://arxiv.org/abs/1701.07875 [2] DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比 二、WGAN原理 网上对于WGAN的解读文章介绍的非常详细，这里给出两个详细介绍的链接： [2] DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比 [3] 令人拍案叫绝的Wasserstein GAN 在文章《Wasserstein GAN》中，作者从数学的角度进行了大量的公式推论，指出了GAN的问题所在，并提出了四点改进方法： （1）判别器的最后一层去掉sigmoid （2）生成器和判别器的loss不取log （3）在每一轮梯度更新之后，对 权值进行截取 ，将其值约束到一个范围之内(fixed box)。文章将其截取至[-0.01, 0.01]

【前言】 本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。 本文涉及的论文有： Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680. Denton E L, Chintala S, Fergus R. Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks[C]//Advances in neural information processing systems. 2015: 1486-1494. Radford A, Metz L, Chintala S. Unsupervised representation learning with deep

本问转自： https://ask.julyedu.com/question/7681 ，详情请查看原文 —— 前言 ：如何把CNN与GAN结合？DCGAN是这方面最好的尝试之一，DCGAN的原理和GAN是一样的，这里就不在赘述。它只是把经典GAN中的G和D换成了两个卷积神经网络（CNN）。但是，并不是直接替换就可以了， DCGAN 对卷积神经网络的结构做了一些改变，以提高样本的质量和收敛的速度。具体有哪些改变，将在本文中看到。 摘要 近年来，深度卷积神经网络（CNN）的监督学习在计算机视觉应用上发挥巨大的作用，然而CNN的非监督学习只受到较少的关注。在这项工作中我们希望有助于缩小CNN在监督学习和非监督学习成功的差距。我们提出了一种叫做深度卷积生成对抗网络的CNN，它具有一定的结构约束，展示了其在非监督学习方向上强有力的候选方案。通过在各种各样的图像数据集的训练，我们展示了令人信服的证据，我们的深度卷积对抗对（adversarial pair）从对象到场景在生成模型和判别模型上都能够学习到层级的表示。此外，我们在一些的新的任务上使用学习到的特征表明它们一般的图像表示上具有通用性。 引言 从大量未标记数据集中学习可重复使用的特征表示已经成为一个热门研究区域（been an area，一个地区，区域）。在计算机视觉背景下