网络模型

网际互联及OSI七层模型： 物理层、数据链路层、网络层、传输层、会话层、表示层、应用层 ========================================== 物理层 作用：定义一些电器，机械，过程和规范，如集线器； PDU(协议数据单元)：bit/比特 设备：集线器HUB; 注意：没有寻址的概念； ========================================== 数据链路层 作用：定义如何格式化数据，支持错误检测； 典型协议：以太网，帧中继（古董级VPN） PDU：frame（帧）设备：以太网交换机； 备注：交换机通过MAC地址转发数据，逻辑链路控制； =========================================== 网络层 作用：定义一个逻辑的寻址，选择最佳路径传输，路由数据包； 典型协议：IP，IPX，ICMP,ARP(IP->MAC),IARP; PDU:packet/数据包； 设备：路由器 备注：实现寻址 ============================================ 传输层： 作用：提供可靠和尽力而为的传输； 典型协议：TCP,UDP,SPX,port(65535个端口),EIGRP,OSPF, PDU:fragment 段； 无典型设备； 备注：负责网络传输和会话建立； ========

github: https://github.com/masterzcw/swoole Swoole进程结构 Master进程: 主进程 Manger进程: 管理进程 Worker进程: 工作进程 Task进程: 异步任务工作进程 Master进程 第一层, Master进程, 这个是swoole的主进程,这个进程是用于处理swoole的核心事件驱动的, 那么在这个进程当中可以看到它拥有一个MainReactor[线程]以及若干个Reactor[线程], swoole所有对于事件的监听都会在这些线程中实现, 比如来自客户端的连接, 信号处理等. 1.1 MainReactor(主线程) 主线程会负责监听server socket, 如果有新的连接accept, 主线程会评估每个Reactor线程的连接数量. 将此连接分配给连接数最少的reactor线程, 做一个负载均衡. 1.2 、Reactor线程组 Reactor线程负责维护客户端机器的TCP连接、处理网络IO、收发数据完全是异步非阻塞的模式. swoole的主线程在Accept新的连接后, 会将这个连接分配给一个固定的Reactor线程, 在socket可读时读取数据, 并进行协议解析, 将请求投递到Worker进程. 在socket可写时将数据发送给TCP客户端. 1.3、心跳包检测线程(HeartbeatCheck)

from keras.layers import Input from keras.models import Model from keras import optimizers from keras.callbacks import ModelCheckpoint input = Input(shape=(c.size_train[0], c.size_train[1], 4)) #keras模型的输入是keras tensor pred = Net(input) #自定义网络 model = Model(input, pred) #将指定输入输出的网络变成Model：将培训和评估程序添加到网络（Network）中。 model.summary() #打印网络的字符串摘要。 adam = optimizers.Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, epsilon=1e-8) model.compile(optimizer=adam, loss=['categorical_crossentropy' for _ in range(4)], loss_weights=[10.0, 0.1, 0.1, 0.1], metrics=['accuracy']) modelcheck = ModelCheckpoint(model

OSI 的英文全程为Open Systems Interconnection ，中文全程为开放系统互联参考模型。是一个逻辑上的定义。主要用途使通信和计算系统自由互联，而不依赖其他架构或技。主要目标就是使用一个标准协议使不同平台的系统自由互联通信。为了更好的理解7层模型，抽象成层的概念，共分为7层。每一层即服务于上层，又被下一层所服务。 从低到高分别为：物理层、数据链路层、网络层、传输层、会话层、表示层、应用层 注意：同一层的两个实例是相互可见的，并且是水平连接的。 OSI 模型最大的优点是将服务、接口和协议明确分开的，服务为上一层提供某些功能、接口为上层如何调用下层所提供的服务、协议则负责如何实现本层服务。因此，OSI模型中的每一次都具备很强的独立性，相互连接的网络中各层所采用的协议是没有限制的，只要向上层服务并且不改变接口即可。 OSI 模型（Open Systems Interconnection） 层级 协议数据单元（PDU） 功能 举例 主机层 7. 应用层 数据 高级APIs调用，包括资源共享、远程文件访问、目录服务和虚拟终端 NFS，SMB，AFP，FTAM，NCP 6. 表示层 网络服务于应用件的数据传输，包括字节编码、数据压缩和加密/解密 CSS，GIF，HTML，XML，JSON，S/MIME 5. 会话层 管理通信会话，如在两个节点间多次传输的持续信息交换

DNN结构构建：NAS网络结构搜索和强化学习、迁移学习 2018年05月14日 15:23:20 wishchin 阅读数 2537 更多 分类专栏： ANN/DNN/纤维丛 前言 谷歌推出的NASNet架构，用于大规模图像分类和识别。NASNet架构特点是由两个AutoML设计的Layer组成——Normal Layer and Reduction Layer，这样的效果是不再需要相关专家用human knowledge来搭建卷积网络架构，直接用RNN把Hyperparameter计算出来，这样就实现了网络结构自动学习。 论文： Learning Transferable Architectures for Scalable Image Recognition 强化学习 论文:《Neural ，Architecture Search with Reinforcement Learning》。 网站链接（开源代码）： https:// github .com / tensorflow /models 论文中的核心是：利用Reinforcement Learning（强化学习）机制训练一个RNN（循环神经网路）controller（控制器）去自动产生一个神经网络，无需人为手动设计网络，设计出的网络在相关有权威的数据集上都取得了很好的成绩

深度神经网络繁多，各自的性能指标怎样？ 实际应用中，在速度、内存、准确率等各种约束下，应该尝试哪些模型作为backbone？ 有paper对各个网络模型进行了对比分析，形成了一个看待所有主要模型的完整视角，其分析结果可以在实践中提供指导和帮助。 这篇博客主要整合了其中3篇文章的结论，分别是 201605-An Analysis of Deep Neural Network Models for Practical Applications 201809-Analysis of deep neural networks 201810-Benchmark Analysis of Representative Deep Neural Network Architectures 文章1和3是paper，2是篇博客（对1的更新）。这3篇文章对图像识别任务（ImageNet-1k）主要的state of the art网络进行了对比分析，采用的指标有： accuracy ，准确率，只使用cental crop，评估Top1、Top5在ImageNet-1k上的准确率 model complexity ，模型复杂度，通过模型的可学习参数量衡量（近似为模型文件大小），反映了自由度 computational complexity ，计算复杂度，操作次数，通过floating-point

一.　实践说明 首先我们先创建一组资源，包括一个deployment和一个service apiVersion: apps/v1 kind: Deployment metadata: name: nginx labels: name: nginx spec: selector: matchLabels: name: nginx1 replicas: １ template: metadata: labels: name: nginx1 spec: nodeName: meizu containers: - name: nginx image: nginx ports: - containerPort: 80 --- apiVersion: v1 kind: Service metadata: name: nginx labels: name: nginx1 spec: ports: - port: 4432 targetPort: 80 selector: name: nginx1 可以看到，我们在指定的node上面创建了一个nginx deployment，并且创建一个服务指向这个pod.然后我们再在其他节点上启动一个pod，在该pod中访问这个service. src pod -> service -> backend pod 172.30.83.9 -> 10.254.40

推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践 发表: 2018-04-22 推荐系统遇上深度学习系列： 推荐系统遇上深度学习(一)--FM模型理论和实践： https://www.jianshu.com/p/152ae633fb00 推荐系统遇上深度学习(二)--FFM模型理论和实践: https://www.jianshu.com/p/781cde3d5f3d 推荐系统遇上深度学习(三)--DeepFM模型理论和实践： https://www.jianshu.com/p/6f1c2643d31b 推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案： https://www.jianshu.com/p/4a7525c018b2 1、原理 Deep&Cross Network模型我们下面将简称DCN模型： 一个DCN模型从嵌入和堆积层开始，接着是一个交叉网络和一个与之平行的深度网络，之后是最后的组合层，它结合了两个网络的输出。完整的网络模型如图： 嵌入和堆叠层 我们考虑具有离散和连续特征的输入数据。在网络规模推荐系统中，如CTR预测，输入主要是分类特征，如“country=usa”。这些特征通常是编码为独热向量如“[ 0,1,0 ]”；然而，这往往导致过度的高维特征空间大的词汇。 为了减少维数

写在前面 原始视频(30fps) 补帧后的视频(240fps) 　　本文是博主在做实验的过程中使用到的方法，刚好也做为了本科毕设的翻译文章，现在把它搬运到博客上来，因为觉得这篇文章的思路真的不错。 　　这篇文章的简要思路：整个网络由两个U-Net构成，第一个U-Net负责计算光流，第二个U-Net负责矫正光流（有点借鉴了残差的意思），从而对视频进行补帧。 　　参考资料： 原文: Super SloMo: High Quality Estimation of Multiple Intermediate Frames for Video Interpolation ( https://arxiv.org/abs/1712.00080 ) 代码: https://github.com/avinashpaliwal/Super-SloMo 　　 转载请注明出处，谢谢。 　　 ＰＳ：文章有些内容涉及到公式，不方便搬运，所以采用了图片的方式。 摘要 　　在给定两个连续帧的情况下，视频插值的目标是生成中间帧，形成时空相干的视频序列。大多数现有的视频插值方法都集中在单帧插值上，我们提出了一种端到端的卷积神经网络，用于任意多帧的视频插值，该网络中的运动解释和遮挡推理是联合建模的。我们首先使用U-Net结构来计算相邻输入图像之间的双向光流。然后，在每个时间步长上对这些光流进行线性拟合

本文由 简悦 SimpRead 转码， 原文地址 https://www.zhihu.com/question/24002080/answer/150830722 车小胖​ OSI 参考模型 OSI，是英文 Open System Interconnect 的缩写，中文翻译开放系统互联，一个抽象七层模型，但其核心思想一点也不抽象，非常具体，其核心思想： 1) 通信两端的主机能够理解对方的语言 这是要求主机使用相同协议格式来发送数据 2) 希望通信系统模块化，每个模块提供标准接口 每个模块给和直接耦合的模块提供标准化的流程接口，每个模块内部无论怎样实现没有硬性规定，但外在的接口一定是标准件，这样耦合的模块可以无缝对接起来。 这样做的好处有： (1) 由于使用标准接口，每个通信模块可以独立开发，增加自由度，提高生产效率 (2) 增加代码的重复利用率，由于通信模块的标准化的外在接口，应用程序可以直接使用现成的通信模块，而无需重新编码，这大大减轻了开发者的负担，间接地提供了生产效率。 注: 一切比喻都是为了方便理解，比喻不可能完全恰当的表达所有内容。本篇文章只是为了让大家大概了解 OSI 七层模型中每一层的基本功能，实际的应用中涉及到的不止这点点。想要学精还是要看书！！！（三个感叹号） 当然，如果你喜欢我的文章，欢迎关注我，我会不定期的发布一些通信类的科普文章～ 以下为正文