香港CCIE-RS

本文分享了香港CCIE-RS考场的体验,包括考官态度、设备状况和模拟器环境。作者提醒考生注意TS题目中的常见问题,并强调理解原理而非死记硬背。此外,还提供了D2和Y3部分的备考策略,建议考生熟练使用TXT刷配置并掌握考试技巧。

这是8月份的,发现最后没有通过审核,现在补发一下,看看对大家有没有帮助~

香港考场:

1. 考官很面善

2. 鼠标不好用,不好控制

3. 模拟器环境比平时练习的机架卡

TS 2

Q3:

1. R12 R13的bgp需要宣告与R22 R23的直连网段(因为测试图第三跳后面没有跟AS)

2. R22 lo0 ospf宣告错误

3. R10上和r3的邻居上挂了route-map改了优先级。我的解决方法:将LP从200改成100。

Q6:

1. R15没有在bgp ipv6地址族下宣告SW111 vlan2001的网段

2. 地址池没有应用在SW111 vlan2001下

3. Server1能获取到地址,但无法ping通2001:cc1e:1e:1::1(显示无目的网段路由),将SW111 int vlan2001下的fe80::111删掉后现象出来了,加回去现象就出不来

其他ts题目我们的ts2_summary里都有,没有新错点,就不再赘述了,建议大家不要背错点,要搞懂里面的原理,而且ts为考试第一门,一开始还在适应考试环境,容易紧张做不出错点,做不出可以先果断放弃,做完下面的再回来解决。

不过听说考场的ts是没有日志的,我做的时候是所有设备都有日志,这点不知道为什么

D2

有黑客版本,跟着文档走就行了,一定要理解题意。

看抓包筛选(icmpv6.type == 134)和HOST1、HOST2的路由表可以看出——有条ND ::/0  fe80::666的路由。

Y3

二层 很重要。我花了大概20分钟来核对对二层的预配,考试有二层表格图(类似Y1文档上的表格)

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论 1
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