计算机网络(3.11)数据链路层- 以太网的MAC层

1、MAC 层的硬件地址 

在局域网中,硬件地址又称为物理地址,或MAC地址。 802标准所说的“地址”严格地讲应当是每一个站的“名字”或标识符。但鉴于大家都早已习惯了将这种48位的“名字”称为“地址”。

请注意,如果连接在局域网上的主机或路由器安装有多个适配器,那么这样的主机或路由器就有多个“地址”。更准确些说,这种48 位“地址”应当是某个接口的标识符。

48 位的MAC 地址 

IEEE 802 标准规定MAC地址字段可采用6字节 (48位) 或2字节(16位) 这两种中的一种。

IEEE 的注册管理机构RA负责向厂家分配地址字段 6 个字节中的前三个字节 (即高位24位),称为组织唯一标识符OUI。地址字段 6 个字节中的后三个字节 (即低位 24 位) 由厂家自行指派,称为扩展唯一标识符,必须保证生产出的适配器没有重复地址。
            

一个地址块可以生成224个不同的地址。这种48位地址称为MAC-48,它的通用名称是EUI-48。

生产适配器时,6 字节的MAC地址已被固化在适配器的ROM,因此,MAC 地址也叫做硬件地址 (hardware address)或物理地址。 “MAC地址”实际上就是适配器地址或适配器标识符EUI-48。

### 配置 Python 3.11 和 PyCharm 的 TensorFlow-GPU 环境 在 Python 3.11 下配置 TensorFlow-GPU 环境可能会遇到一些兼容性问题,因为 TensorFlow 官方并不完全支持最新的 Python 版本。以下是详细的解决方案: #### 兼容性注意事项 TensorFlow 对 Python 版本的支持有限。根据官方文档[^2],TensorFlow 2.3.0 支持的最高 Python 版本为 3.8。因此,在尝试安装 TensorFlow-GPU 之前,请确认所使用的 Python 版本是否被支持。 如果强制使用不支持的 Python 版本(如 Python 3.11),可能需要手动调整依赖项并解决潜在冲突。 --- #### 解决方案 ##### 方法一:降级至受支持的 Python 版本 建议将 Python 版本降至 3.7 或 3.8,这是 TensorFlow 2.x 的推荐版本范围。可以通过以下方式实现: ```bash conda create -n tf_env python=3.8 conda activate tf_env ``` 随后按照标准流程安装 TensorFlow-GPU: ```bash pip install tensorflow-gpu==2.3.0 ``` 此方法可以有效避免因高版本 Python 导致的兼容性问题[^1]。 --- ##### 方法二:继续使用 Python 3.11 并处理依赖关系 如果必须坚持使用 Python 3.11,则需注意以下几点: 1. **检查 CUDA 和 cuDNN 版本** TensorFlow-GPU 要求特定版本的 NVIDIA CUDA Toolkit 和 cuDNN 库。对于 TensorFlow 2.3.0,应匹配 CUDA 10.1 和 cuDNN 7.6。可通过以下命令验证已安装的驱动程序版本: ```bash nvcc --version cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 ``` 2. **安装 NumPy 的适配版本** 如果存在 `ImportError` 提示与 NumPy 不兼容的情况,可卸载当前版本并重新安装指定版本的 NumPy: ```bash pip uninstall numpy pip install numpy==1.19.5 ``` 这一步骤有助于修复常见的导入错误[^3]。 3. **安装 TensorFlow-GPU** 使用清华镜像源加速安装过程: ```bash pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ --upgrade tensorflow-gpu==2.3.0 ``` 4. **测试环境** 创建简单的脚本来验证 TensorFlow 是否成功加载 GPU 设备: ```python import tensorflow as tf gpus = tf.config.list_physical_devices(&#39;GPU&#39;) if gpus: print(f"Detected {len(gpus)} GPUs") else: print("No GPU detected.") ``` --- #### 在 PyCharm 中配置 TensorFlow-GPU 环境 完成上述步骤后,还需设置 PyCharm 来识别虚拟环境中的 TensorFlow-GPU: 1. 打开 PyCharm 设置 (`File -> Settings`)。 2. 转到 `Project: <your_project_name> -> Python Interpreter`。 3. 添加新的解释器路径指向 Conda 或 Pip 创建的虚拟环境目录。 4. 确认项目文件夹下的 `.venv` 文件已被正确关联。 --- ###
评论
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