Cookie & Session

本文介绍了HTTP协议中的状态管理机制,包括Cookie、Session及localStorage的概念、作用和区别。详细解释了Cookie如何帮助服务器识别用户和记录历史操作,以及Session如何增强安全性。

文章参考来源:方应杭

HTTP是一种无状态的协议,cookie可以让HTTP有状态。
设置Cookie

Set-Cookie: <cookie-name>=<cookie-value>;

浏览器获得Cookie后,下一次发请求会带上

Cookie: <cookie-name>=<cookie-value>

概述:

  • Cookie 是浏览器访问服务器后,服务器传给浏览器的一段数据。
  • 浏览器需要保存这段数据,不得轻易删除。
  • 此后每次浏览器访问该服务器,都必须带上这段数据。
  • Cookie 默认在用户关闭页面后就失效,可以设置过期时间,例:cookie.setMaxAge(60) 过期时间一分钟。

Cookie的作用:

  • 识别用户

    比如用户 A 用浏览器访问了 http://a.com,那么 http://a.com 的服务器就会立刻给 A 返回一段数据「uid=1」(这就是 Cookie)。当 A 再次访问 http://a.com 的其他页面时,就会附带上「uid=1」这段数据。
    同理,用户 B 用浏览器访问 http://a.com 时,返回给 B 一段数据「uid=2」。
    以此,http://a.com 的服务器就能区分 A 和 B 两个用户了。

  • 记录历史
    假设 http://a.com 是一个购物网站,当 A 在上面将商品 A1 、A2 加入购物车时,JS 可以改写 Cookie,改为「uid=1; cart=A1,A2」,表示购物车里有 A1 和 A2 两样商品了。
    这样一来,当用户关闭网页,过三天再打开网页的时候,依然可以看到 A1、A2 躺在购物车里,因为浏览器并不会无缘无故地删除这个 Cookie。
    借此,就达到里记录用户操作历史的目的了。

Cookie的缺点:
Cookie可能会被伪造

Session

由于cookie容易被伪造,那么给cookie一个很复杂的值就好了,这个值是sessionID。

Set-Cookie: sessionID;

有了session,服务器将用户的信息保存在服务器中的session表里。
浏览器请求时带上cookie,服务器就通过cookie里的sessionID查找session表里对应的信息。
这样暴露给其他人的就只有sessionID,没有用于用户的相关信息,很安全。

Cookie和Session的区别

  • 目的不同
    区分用户用cookie。用户私密信息用session
  • 实现不同
    cookie的实现方式是死的。session的实现方式多种多样,不同的框架实现方式不同。
  • 存储位置不同
    cookie存在浏览器中。session存在服务器里,形式可以是一个文件,也可以是数据库。

localStorage

session的实现基于cookie,但也可以放在其他地方,比如localStorage
相比于cookie,它的特点是不会附在请求里面。
localStorage理论上不会过期,除非清理缓存
持续化存东西的时候用localStorage

模拟cookie:
用 js 读 localStorage ,然后附在请求里。

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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
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