- 博客(335)
- 资源 (15)
- 收藏
- 关注
RSS订阅原创 第6章 应用层
本文系统阐述了应用层设计中的七大核心问题及解决方案：通过DNS实现域名到IP的分布式解析；借助URL、HTTP、HTML与搜索引擎构建万维网；采用SMTP、POP3/IMAP与MIME实现电子邮件通信；利用RTP/RTCP、SIP、WebRTC等协议支持多媒体传输；通过SNMP实现网络设备管理；基于Socket接口使应用跨网络通信；并探索P2P技术以高效利用用户资源。各方案协同支撑现代互联网服务的稳定与高效运行。
2026-10-14 15:29:38
157
原创 第5章 传输层
传输层设计需解决端点标识、服务差异化、可靠传输、速率控制、连接管理及新型网络适应等核心问题。通过端口号与套接字实现进程定位，提供UDP（高效）与TCP（可靠）双协议满足不同需求；利用确认、重传、滑动窗口实现可靠传输；结合流量控制与拥塞控制（如慢启动、快重传、CUBIC、BBR）保障网络稳定；采用三报文握手建立连接、四报文握手释放连接，并引入QUIC等新协议应对高带宽、移动切换等挑战。传输层在应用层与网络层间起关键桥梁作用，实现端到端的可靠或高效通信。
2026-10-14 15:24:06
258
原创 第4章 网络层
网络层提供的两种服务：虚电路服务与数据报服务。互联网采用数据报服务，网络层设计得尽量简单，由主机中的传输层负责可靠通信。虚拟互连网络：使用路由器进行网络互连，互联网就是一个覆盖全球的IP网，就好像在一个单个网络上通信一样。IP地址及其编址方法：IPv4地址采用2级结构，分类的IP地址分为A、B、C、D、E五类；无分类编址CIDR消除了传统的分类概念，可以更加有效地分配IPv4的地址空间；路由聚合大大压缩了转发表所占的空间。IP层转发分组的过程。
2026-10-14 15:16:53
111
原创 第3章 数据链路层
数据链路层位于物理层与网络层之间，核心任务是实现相邻节点间无差错的数据传输。其主要解决封装成帧、透明传输和差错检测三大问题。点对点信道采用PPP协议，具备封装、鉴权、多协议支持等特性；广播信道以太网使用CSMA/CD协议，通过载波监听与碰撞检测避免冲突。以太网帧含MAC地址，基于星形拓扑，由交换机实现自学习与虚拟局域网（VLAN）划分。高速以太网支持宽带接入，提升传输效率。
2026-10-14 15:11:14
287
原创 第2章 物理层
物理层负责在传输媒体上可靠地传送比特流，屏蔽不同媒体差异。其核心任务包括确定接口的机械、电气、功能与过程特性，实现并行到串行的转换，采用调制编码技术（如曼彻斯特编码、QAM）提升传输效率，并克服信道限制。依据奈氏准则与香农公式，受限于带宽与信噪比，需通过优化编码与调制方式实现高效无差错传输。传输媒体分为导引型（双绞线、同轴电缆、光纤）与非导引型（无线微波），其中光纤因高带宽、低损耗等优势成为现代通信主干。
2026-10-14 11:34:58
135
原创 第1章 概述
在信息时代，计算机网络作为数字化、智能化的核心基础设施，已深度融入生活与工作。互联网以其连通性与资源共享两大特点，推动“互联网+”经济形态发展，但也带来安全与管理挑战。互联网是“网络的网络”，由边缘主机与核心路由器构成，采用分组交换技术实现高效、灵活的数据传输。我国自1994年接入互联网以来，网络规模迅速扩展，形成多层次、广覆盖的体系。理解网络性能指标如速率、带宽、吞吐量与时延，有助于掌握其运行机制。学习计算机网络，既是应对数字社会需求的关键，也是把握未来科技发展的基础。
2026-10-14 11:18:43
259
原创 论文笔记：How Can Recommender Systems Benefit from Large Language Models: A Survey
贡献维度具体内容统一框架提出四象限分类法，系统梳理LLM与RS的融合路径，避免研究碎片化。技术洞察揭示了LLM在推荐中的角色演变：从“工具”到“核心”再到“大脑”。发展轨迹图中箭头暗示研究趋势：从Q4（直接推荐）向Q1/Q3（增强与控制）演进，追求效率与可控性。挑战指明强调幻觉、成本、评估难题，为未来研究指明方向。这篇综述不仅是对LLM+RS领域的“全景图”，更提出了一个范式级的分类框架。它揭示了LLM正从“辅助工具”转变为推荐系统的“认知核心”。未来，随着LLM能力的提升和成本的降低，我们或将看到。
2025-09-22 15:40:11
1308
原创 02-01 人工智能概述--计算的本质
现在我们知道了计算机能算，但有没有它算不了的东西？英国科学家图灵提出了一个天才的设想——“图灵机图灵机是什么？它不是一台真实机器，而是一个思想模型，就像一个极度简化的“机器人”。图示：图灵机模型[读写头]↓纸带：... | 0 | 1 | 0 | 0 | 1 | 0 | ...↑[状态记录器][操作手册]纸带：一条无限长的带子，分成格子，每格写一个符号（0或1）。读写头：能读当前格子的符号，也能写新符号或擦除。状态记录器：记住自己当前“心情”（状态）。操作手册。
2025-09-22 11:02:29
951
原创 01-03 计算机与计算思维基础--信息的符号化
二进制的单位：b, B, KB, MB, GB, TB。只有两个数码：0和1;注意：整数转换除2倒取余，小数转换乘2正取整。运算规则：逢二进1，借1当二；
2025-09-19 16:46:40
496
原创 01-01 计算机与计算思维基础--引言
计算机是一种能够高速运算、具有内部存储能力、由程序控制其操作过程的电子装置。我们身边有哪些形形色色的计算机？
2025-09-19 11:11:10
277
原创 11 神经网络研究的一些问题
在一维（一条线）上找：容易。在二维（一个房间）里找：难一点。在高维空间（比如一张图片的所有像素）里找：几乎不可能！因为随着维度增加，数据变得非常稀疏，距离失去意义，这就是“维度灾难”。维度灾难：随着维度增加，数据变得稀疏，直接处理变得困难。线性插值：用已知点做线性连接来近似未知函数，误差可以通过泰勒展开来估计。高维插值：在高维空间中，插值误差会变得更加复杂，但基本原理相同。问题大白话解释关键点训练误差平时练习得分越小越好，但不能只看它近似误差学生的智商上限深网络 → 上限更高。
2025-09-16 11:36:43
1129
原创 10 训练中的一些问题
方法适用激活函数方差公式Lecuntanh, 线性1nin1 / n_{in}1/ninXaviertanhsigmoid2ninnout2/ninnoutKaimingReLULeaky ReLU2nin2 / n_{in}2/nin问题原因数学关键解决方案初始化不当信号爆炸/消失VarwVar(w)Varw不合理梯度消失链式法则连乘∏σ′z≈0∏σ′z≈0残差连接深网络梯度传不回∂a。
2025-09-14 17:11:36
920
原创 09 常用优化算法
本文系统介绍了深度学习中常用的优化算法。首先以“下山”类比解释了优化算法的核心目标——最小化损失函数。随后详细讲解了几种关键算法： 梯度下降（GD）：基础方法，计算全数据集梯度，准确但慢； 随机梯度下降（SGD）：每次用单个样本梯度，快但波动大； 小批量SGD：折中方案，平衡速度与稳定性，成为主流方法； 动量法：引入惯性减少震荡，加速收敛； Nesterov动量：更智能的惯性方法，提前估算未来梯度； 自适应学习率算法（AdaGrad/RMSProp/Adam）：为不同参数自动调整学习率，其中Adam结合动量
2025-09-14 10:32:10
1108
原创 08 常用激活函数
激活函数在神经网络中扮演着至关重要的角色。它们被用来引入非线性因素，使得模型可以学习和表示更加复杂的数据模式。下面我将用简单易懂的语言解释几种常见的激活函数。
2025-09-14 09:37:56
431
原创 07 常用损失函数
角色说明裁判员给模型的每次预测打分，分数越高表示错得越离谱导航仪告诉模型“往哪个方向调整参数”能让错误减少（梯度下降靠它指路）目标函数训练过程就是在最小化损失函数LSθLSθ🎯 所以，选对损失函数，就像选对了“好学生”的标准。你用平方损失，模型就会努力避免大错误；你用绝对损失，模型对异常值更鲁棒。这就是为什么我们需要损失函数——没有它，模型就像蒙眼走路，根本不知道自己走没走对。
2025-09-14 09:35:33
1039
原创 05 回归问题和分类问题
项目回归问题分类问题输出类型连续数值（如 3.14, 100.5）离散标签（如 是/否，猫/狗）目标预测具体数值判断属于哪个类别典型任务房价预测、气温预报、销量预估垃圾邮件识别、图像分类、疾病诊断损失函数均方误差（MSE）交叉熵损失（Cross-Entropy）输出层通常无激活或线性激活Sigmoid（二分类）、Softmax（多分类）
2025-09-13 17:20:18
1411
原创 02 线性拟合
统计和机器学习(Machine learning, ML) 在数据挖掘中都有应用，用一个直观但并不是很严谨的方法去解释它们区别就是：统计是基于模型假设的，而机器学习是不需要模型基础的。本节中我们会用一个线性模型去理解它们的区别。
2025-09-05 17:27:57
494
原创 人工智能方向的论文如何进行审稿？
指出问题时，最好能给出改进建议，比如“建议与XX基线模型进行对比”、“建议补充在XX数据集上的实验”、“图3的标注不清晰，建议修改”。给人工智能（AI）方向的SCI论文审稿，抛开那些复杂的学术黑话，用大白话来讲，其实就是看这篇论文是不是在。你得把“怎么做菜”的菜谱说清楚，不然别人做不出来，你就是“民科”。再好的工作，写得一塌糊涂，也会让人失去兴趣。idea吹得再天花乱坠，实验拉胯也是白搭。这是AI论文的命根子。没有新东西，基本可以拜拜了。AI现在影响力巨大，不能只顾效果不管后果。，吹得牛不牛，有没有。
2025-09-05 15:14:53
1191
原创 05 网络信息内容安全--对抗攻击技术
咱们先举个生活例子：你平时看苹果能认出来 —— 红颜色、圆溜溜、带个小揪揪。但如果有人给苹果轻轻贴了个小贴纸，或者在表皮涂了一点点几乎看不出来的颜料，你可能还是知道这是苹果；可要是给电脑 “看” 这个被改动的苹果，它说不定就认错了，说这是 “西红柿”。这种故意给数据（比如图片、文字）做微小改动，骗人工智能（AI）认错的操作，就叫对抗攻击。关键是这改动特别 “隐蔽”：人眼几乎看不出差别，但 AI 能被绕得晕头转向。
2025-08-27 10:11:20
1364
原创 04 网络信息内容安全--异常检测技术
防火墙：80%以上的攻击来源于组织内部；串联的工作方式使其无法进行复杂的检测安全访问控制：黑客可以通过身份窃取、利用系统漏洞等手段绕开安全访问控制机制作为一种积极主动的安全防护技术，对各种被动防护技术起到了极其有益的补充它从计算机网络或计算机系统中的若干关键点处收集信息，并对其分析，从中发现网络或系统中是否有违反安全策略的行为或被攻击的迹象策略：是模型的核心，具体的实施过程中，策略意味着网络安全要达到的目标防护：安全规章、安全配置、安全措施检测：异常监视、模式发现。
2025-08-26 16:18:03
1065
原创 03 网络信息内容安全--社会网络分析技术
设想一个网络图G的一个子图G’（意味着G’中的点和边都只能从G中挑），其中每一个点都能通过某条路径到达另一个点，则我们说G’具备强连通性，而且是G的一个强连通子图。：与一个点通过边相连的其他点的数量和，被称为这个点的度。当年非典在香港和加拿大，英国，新加坡三国的流行，最终都能追溯到一个来香港参加宴会的广东医生（患者1），通过一系列超级节点（患者6，35，130，127）传播。：G的一个极大的强连通子图G’‘（意味着再往G’'加任何G中剩下的点，都会破坏其强连通性）被称为G的一个强连通分量。
2025-08-26 14:44:21
802
原创 02 网络信息内容安全--网络信息内容过滤技术
假设每条边的长度相等，那么包含边数最少的路径，便是所谓最短路径（shortest path），最短路径的长度一般被认为是两点之间的距离（distance）；：设想一个网络图G的一个子图G’（意味着G’中的点和边都只能从G中挑），其中每一个点都能通过某条路径到达另一个点，则我们说G’具备强连通性，而且是G的一个强连通子图。当年非典在香港和加拿大，英国，新加坡三国的流行，最终都能追溯到一个来香港参加宴会的广东医生（患者1），通过一系列超级节点（患者6，35，130，127）传播。算到了A的PageRank上。
2025-08-26 11:53:58
1179
原创 01 网络信息内容安全--绪论
【【图解贝叶斯公式】1小时吃透大学四年没整明白的贝叶斯分析推导及垃圾邮件过滤实例（朴素贝叶斯/机器学习算法/MCMC算法/人工智能高数）】https://www.bilibili.com/video/BV1v3VUzjEqN?–人工智能/机器学习/深度学习】https://www.bilibili.com/video/BV1TAtwzTE1S?–人工智能/机器学习/深度学习】https://www.bilibili.com/video/BV1TAtwzTE1S?【都2022年了，居然还不懂社会网络分析？
2025-08-21 15:33:10
1256
原创 2.1 人工智能基本任务
例子：自动驾驶汽车知识表示存储交通规则 → 推理判断路权 → 搜索规划路径 → 预测行人行为 → 优化能耗 → 仿生算法模拟群体驾驶。感知——AI的「感官系统」，如人脸识别捕捉107个特征点；认知与抽象——AI的「思维提炼术」，把图像抽象为‘猫=胡须+圆脸’；行动——AI的「物理执行者」，如机械臂精准抓取零件；学习——AI的「进化引擎」，AlphaGo通过1亿局对弈迭代策略；推理与决策——AI的「指挥官」，像医疗系统诊断病症并推荐疗法。神经科学驱动的AI知识表示是AI的基础任务认知与抽
2025-06-16 17:09:41
378
原创 1.3 人工智能的应用领域
1.3-01疾病诊断：AI可以通过分析医学影像来帮助医生检测疾病。药物研发：AI在药物发现阶段可以通过分析大量的生物医学数据，预测药物的有效性和安全性。医疗机器人：智能机器人可以在医院中承担一些辅助任务。健康管理：AI可以对个人的健康数据进行分析，为用户提供个性化的健康建议。
2025-06-16 16:26:06
524
原创 1.2 人工智能的分类
无需明确设计即可构建或训练，以执行特定任务或解决特定问题的智能系统。也被称为弱人工智能，因为它不具备全面的通用智能能力。典型应用：语音助手，图像识别系统、自动驾驶、机器人等。大语言模型ChatGPT 、文心一言、豆包等：基于提供的提示生成文本响应。
2025-06-16 16:06:23
1463
原创 1.1 人工智能起源与诞生
人工智能是模拟、延伸与扩展人类智能的理论、方法和技术，旨在实现智能行为自主化、高效化与人性化，以应对复杂多变的环境与挑战。AI技术通过智能算法与数据分析，深度融入各行各业，从智能制造到智慧医疗，全面重塑生产生活方式，引领社会迈向智能化新时代。核心要素智能是人工智能的核心，涉及感知、思考、决策、学习等能力，表现为机器能够像人类一样进行认知推理、识别环境并作出相应反应。适应指人工智能在复杂多变的环境中，能够灵活调整策略、快速响应变化的能力。这种能力确保了AI系统能够在不同场景下达最佳性能。
2025-06-15 11:36:16
1070
原创 信息科技伦理与道德3-4：面临挑战
本文收集了351位医生的样本，获得了7020条病例诊断数据。当AI和医生在第一轮判断不同时，第二轮40%的医生修改了其答案，在AI的帮助下，医生的准确率平均提升了9%2021年，汤珂教授在华东师范大学做了一次学术报告：该报告设计了人工智能辅助人类决策的实验，发现人工智能可以更好的帮助医生进行诊断。实验分两轮，第一轮为医生自主诊断20个病例，第二轮针对同样的病例，AI首先给出诊断结果，之后看医生是否修改其判断。【TED演讲】如何让人类与人工智能合作来改善业务。清华大学社会科学学院经济所。
2025-04-29 09:39:56
671
原创 信息科技伦理与道德0：课程安排
协同过滤（Collaborative Filtering）通过用户历史行为（如点击、购买）寻找相似用户/物品进行推荐，形成"喜欢A的人也喜欢B"的强化循环。GAN通过生成器（Generator）和判别器（Discriminator）的对抗训练，可以生成逼真的人脸图像（如StyleGAN系列）。深度学习推荐系统通过内容嵌入（Embedding）建立语义关联，可能意外推荐敏感内容（如减肥食品→催吐教程）。课程关联：课程中文本生成（Text Generation）与困惑度（Perplexity）评估。
2025-04-16 15:48:41
1650
原创 图像分类项目3：识别不同鸟类
数据集来源：kaggle，网址：https://www.kaggle.com/，点击进入网站，左侧选择Datasets。进入后搜索栏搜索关键词bird。此时出现很多数据集可以选择，推荐选择第一个或者第三个。这里以第三个为例进行演示。点击进入，注册登录账号后，点击Download进行下载。下载后选择第一个压缩包进行解压。
2025-03-03 11:02:42
1262
原创 图像分类项目2：鸟类图像分类
数据集来源：kaggle，网址：https://www.kaggle.com/，点击进入网站，左侧选择Datasets。进入后搜索栏搜索关键词bird。此时出现很多数据集可以选择，推荐选择第一个或者第三个。这里以第三个为例进行演示。点击进入，注册登录账号后，点击Download进行下载。下载后选择第一个压缩包进行解压。
2025-03-02 11:14:15
2017
原创 图像分类项目1：基于卷积神经网络的动物图像分类
在现代社会中，图像分类是计算机视觉领域的一个重要任务。动物图像分类具有广泛的应用，例如生态学研究、动物保护、农业监测等。通过对动物图像进行自动分类，可以帮助人们更好地了解动物种类、数量和分布情况，从而支持相关领域的决策和研究。本研究的目标是使用卷积神经网络（CNN）对动物图像进行分类。通过对大量的猫、狗和野生动物图像进行训练，建立一个准确分类不同动物类别的模型。该模型可以用于自动识别和分类新的动物图像，从而提供快速、准确的动物分类结果。
2025-03-02 10:04:52
2036
1
Deep Bilateral Learning for Real-Time Image Enhancement文献调研.docx
2021-08-01
EnlightenGAN-Deep Light Enhancement without Paired Supervision文献调研.docx
2021-08-01
Multi-Stage Progressive Image Restoration文献调研.docx
2021-08-01
Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement文献调研.docx
2021-08-01
Underexposed Photo Enhancement using Deep Illumination Estimation文献调研.docx
2021-08-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人