网络模型

计算机网络 两个网络模型 计算机网络模型 分层机制----规划通讯细节 层与层之间之间是独立的、屏蔽的，下层为上层提供服务。 一些概念 实体： 任何发送/接收信息的软件/硬件进程。 对等层： 两个不同系统的同级层次。 对等实体： 位于不同系统中对等层的实体。 接口： 相邻两层之间交互界面。 服务： 定义了该层准备完成那些工作，但不涉及如何实现这些功能。 下层通过接口向上层提供服务。 协议： 通信双方的对等实体之间在通信中必须遵守的规则。 网络协议： 三要素：语法（协议的格式）、语义、时序。 OSI参考模型 层次 功能 应用层 表示层 数据表示 会话层 在用户间建立会话关系 传输层 网络层 数据链路层 物理层 TCP/IP模型 TCP/IP不是单个协议，而是数十个具有层次结构的协议组成的一个协议集。 层次 功能 应用层 传输层 网络层 网络接口层 数据在层次模型上的处理过程 封装和拆封 发送数据：自上而下逐层封装 接收数据：自下而上逐层拆封 交换技术 电路交换 面向连接 过程 建立连接 通信 释放连接 特点 存储转发 非面向连接 工作流程 分类 报文交换 以报文为单位进行交换。 有长有短。 分组交换 以分组为单位进行交换。 比较短，长度相等。可以先将一个长的报文分割成若干个短的分组。 分组交换的优点 分组交换的问题 思考 报文/分组的传输路径 报文/分组的到达顺序和传输次序

GAN 生成对抗网络 是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。 举例说明 我们可以通过一个简单的例子来解释GAN的基本原理。我们使用情侣间的拍照片来解释GAN的原理，男生给女友拍照，男生的拍照技术通常很烂（。。。），我们把生成网络比作是男友，那么判别网络就是女友，男生拍完一张照片后给女友看，生成网络负责从随机生成数据，在这里比作是照片。拍完一张给女友看，那么女友就可以看做是判别网络，负责找出男生给出的数据与真实值之间的差别，不断的拍照不断的判别，直到找到判别网络无法判断是生成的还是真实数据为止。 GAN生成对抗网络 就是由两个神经网络组成，一个生成网络，与一个判别网络，让两个神经网络以相互博弈的方式进行学习。 什么是DCGAN DCGAN是GAN的一个变体。 Deep Convolutional GAN 深度卷积生成对抗网络。 里面有生成器和判别器两个模型 生成模型和判别模型都运用了深度卷积 神经网络的生成对抗网络 Gan里面生成模型和判别模型也是用到了神经网络。 在DCGAN中生成器用到了反卷积神经网络，判别器用到了卷积神经网络。 卷积神经网络基本原理 经过卷积层提取它的一些特征信息

深度卷积生成式对抗网络，2019-03-26 目录 一、预备知识 （一）卷积神经网络 1. 层级结构 2. 训练算法 3. 优缺点 （二）GAN 二、模型结构 （一）模型总体思想 （二）对CNN的改进 1. 全卷积网络 2. 消除完全连接层 3. 批规范化 （二）DCGAN框架结构 三、实验 （一）实验数据集 （二）实验细节 1. 预处理 2. 参数设置 3. 正式实验 （1） 在数据集LSUN上进行实验 （2）在人脸数据集上进行实验 （3）在数据集Imagenet-1K上进行实验 四、对DCGAN能力的实验验证 （一）使用GANs作为特征提取器对CIFAR-10进行分类 （二）使用GANs作为特征提取器对SVHN数字进行分类 五、研究和可视化网络的内部结构 （一）潜在空间 （二）可视化判别器特性 （三）操作生成器的表示 1. 忘记绘制某些对象 2. 人脸样本向量算法 六、总结和展望 论文链接：https://arxiv.org/abs/1511.06434 目录 一、预备知识 （一）卷积神经网络 参考博文： https://www.cnblogs.com/skyfsm/p/6790245.html 1. 层级结构 数据输入层/Input Layer：主要是数据预处理（去均值、归一化、 PCA / 白化 等）； 卷积计算层/CONV Layer：局部关联、窗口滑动（特征提取）；

Abstract 上一篇博文[1]简单介绍了对抗网络的理论和大概流程。其中所谓的对抗网络可以归结为unsupervised learning 或者 generative model。从无监督学习来进行feature representation,有k-means聚类算法，auto-encoders[2]，以及09年的Deep belief networks等等。从生成模型的角度来说，我们需要让算法能学习到数据的分布情况，而这个分布从Bayes观点来说，可以认为是class-conditional probability。然而对于复杂的数据，例如高分辨率的图像，学习到它的像素的分布情况是个极其困难的问题。所以，对于生成natural images，之前的算法一直没有取得好的效果。最近的一些算法就基本解决了这个问题，比如variational autoencoder[3],简称VAE.以及我们介绍过的adversarial networks[4]。Good fellow 14年提出的对抗网络，应该没有想到它现在会这么火爆。 对抗网络可以认为是一个生成模型和一个判别模型组成的。一般情况下，生成模型和判别模型都是使用的神经网络的算法，比如感知器，或者卷积神经网络。对于对抗网络，经过所谓的对抗过程的训练之后，Generative networks可以生成realistic image

作者：JASON 2017.10.15 10分钟把故事说完！   生成对抗网络GAN（Generative adversarial networks）是最近很火的深度学习方法，要理解它可以把它分成生成模型和判别模型两个部分，简单来说就是：两个人比赛，看是 A 的矛厉害，还是 B 的盾厉害。 比如，有一个业余画家总喜欢仿造著名画家的画，把仿造的画和真实的画混在一起，然后有一个专家想办法来区分那些是真迹，那些是赝品。通过不断的相互博弈，业余画家的仿造能力日益上升，与此同时，通过不断的判断结果反馈，积累了不少经验，专家的鉴别能力也在上升，进一步促使业余专家的仿造能力大幅提升，最后使得业余专家的仿造作品无限接近与真迹，使得鉴别专家无法辨别，最后判断的 准确率为0.5 。   总的来说，Goodfellow等人提出的GAN是通过对抗过程来估计生成模型的框架。在这种框架下，我们需要同时训练两个网络，即一个能获取数据分布的生成模型G和一个估计数据来源于真实样本概率的判别模型D。生成器的训练目的是最大化判别器犯错误的概率，而判别器的训练过程是最小化犯错误的概率。因此这一过程存在一个 极大极小博弈（minimax game） 。在所有可能的G和D函数中，存在一个唯一均衡解。即生成模型可以生成训练样本相同的数据分布，而此时判别模型的概率处处为1/2。   当模型都为多层感知机时

开放系统互联(Open System Interconnection,OSI)模型代表了基于层次的网络框架。 三层交换机：指的是OSI模型中的第三层 物理层：OSI模型中的物理层被传输介质占据，例如电缆的规格和相关的信号协议 数据链路层：数据链路层在给定的物理介质上传输数据，并负责传输过程的错误检查和恢复。物理硬件地址的定义也在这一层，例如以太网卡的介质访问控制(Media Access Control,MAC)地址 网络层：她负责逻辑寻找与数据路由。IP协议就是网络层的协议，这意味着IP地址和子网掩码都有网络层使用，在逻辑上和物理上分隔的网络之间传递数据 传输层：是能够建立可靠性的重要一层，传输层包括TCP和UDP 会话层：绘画在两个端点之间建立 表示层，主要负责与应用层进行通信，还定义使用加密方式 表示层：负责向用户和应用程序显示数据。 面向连接和无连接的协议 在OSI模型的某些层中，协议可以根据他们是否面向连接来定义。这个定义参考了协议所提供的包括错误控制，流控制，数据分片和数据重组等功能 来源： https://www.cnblogs.com/linerbaby/p/11918535.html

DCGAN原理介绍 我们知道深度学习中对图像处理应用最好的模型是CNN，那么如何把CNN与GAN结合？DCGAN是这方面最好的尝试之一（论文地址：[1511.06434] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks） 卷积神经网络在有监督学习中的各项任务上都有很好的表现，但在无监督学习领域，却比较少。本文介绍的算法将有监督学习中的CNN和无监督学习中的GAN结合到了一起。 DCGAN的原理和 GAN 是一样的，这里就不在赘述（GAN网络提出了理论，具体的G,D实现可以我们自己来定）。DCGAN把上述的G和D换成了两个卷积神经网络 。Ｄ可以理解为一个分类的卷积网络。Ｇ则是一个全卷积网络。但不是直接换就可以了，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，这些改变有： G网络中使用转置卷积（transposed convolutional layer）进行上采样，D网络中用 strided convolutions来替代空间池化（pooling） 。 除了生成器模型的输出层和判别器模型的输入层，在网络其它层上都使用了Batch Normalization，使用BN可以稳定学习，有助于处理初始化不良导致的训练问题。

用深度卷积生成对抗网络进行无监督表示学习 摘要 近年来，监督学习的卷积网络（ CNN ）在计算机视觉应用中有着广泛的应用。相比之下，无监督的卷积网络 CNN 学习受到的关注较少。在这项工作中，我们希望可以帮助缩小有监督学习的 CNN 和无监督学习的 CNN 成功之间的差距。我们介绍了一类 CNN 叫做深度卷积生成对抗网络（ DCCNG ），它具有一定的架构约束，表明它们是非监督学习的有力候选。对各种图像数据集进行训练，我们展示出令人信服的证据，证明我们的深层卷积对抗从对象部分到发生器和判别器中的场景学习了层次结构的表示。此外，我们使用学习的功能进行新颖的任务 - 证明适用于一般图像的表示 1. 前言 从来自大型的未标记的数据集学习可重用的特征表示一直是一个热门的研究领域。在计算机视觉的背景下，可以利用实际上无限量的未标记的图像和视频来学习良好的中间表示，然后可以将它用在各种监督学习任务上，如图像分类。 我们提出了一种建立好的图像表示的方法是通过训练生成对抗网络（ GAN ）（ Goodfellow 等人， 2014 ），并随后重用发生器和判别器网络的部分作为用于监督任务的特征提取器。 GAN 为最大似然技术提供了一个有吸引力的替代方法。另外还可以争辩说，他们的学习过程和缺少启发式的代价函数（比如像素方式的独立均方差）对于表示学习来说是存在吸引力的。我们知道 GAN

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/liuxiao214/article/details/73500737 </div> <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-3019150162.css"> <div id="content_views" class="markdown_views prism-atom-one-dark"> <!-- flowchart 箭头图标 勿删 --> <svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <p>论文原文：<a href="https://arxiv.org/pdf/1511.06434.pdf" rel="nofollow" data-token=

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。GAN和DCGAN在各个领域都有广泛的应用，这篇文章首先会介绍他们的原理，再介绍如何在TensorFlow中使用DCGAN生成图像，关于GAN和DCGAN的更多项目会在接下来的章节中进行介绍。 GAN的原理 GAN的原理其实非常简单。可以把GAN看成数据生成工具，这里以生成图片数据为例进行讲解，实际GAN可以应用到任何类型的数据。 假设有两个网络，生成网络G（Generator）和判别网络D（Discriminator） 他们的功能分别是： G负责生成图片，它接收一个随机的噪声 z z //--> ，通过该噪声生成图片，将生成的图片记为 G ( z ) G ( z ) //--> 。 D负责判别一张图片是不是“真实的”。它的输入时 x x //--> ， x x //--> 代表一张图片，输出 D ( x ) D ( x ) //--> 表示 x x //--> 为真实图片的概率，如果为，代表真实图片的概率为%，而输出为，代表不可能是真实的图片。 在训练过程中