计算机网络学习笔记8--Email

已于 2022-01-26 22:48:21 修改
阅读量1.5k 收藏
点赞数 1
分类专栏： 计算机网络学习笔记 文章标签： http 网络协议 网络
于 2022-01-20 10:57:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_47734224/article/details/122578221
版权

https://www.bilibili.com/video/BV1Up411Z7hC?p=26

如有错误之处请指出，谢谢！

目录

Email应用

Email应用的构成组件

邮件客户端

邮件服务器

 SMTP协议

采用邮件服务器的好处：

SMTP协议：RFC 2821

命令/响应交互模式：

 Email实例

SMTP交互示例

 SMTP协议与HTTP协议对比​

 Email消息格式与POP3协议

Email消息格式

多媒体扩展

 邮件访问协议

POP：Post Office Protocol[RFC 1939]

IMAP：Internet Mail Access Protocol[RFC 1730]

POP3协议

认证过程

事务阶段

 “下载并删除”模式

“下载并保持”模式

POP3是无状态的

IMAP协议

 IMAP与POP3有哪些不同（课后练习）

p26-p27

Email应用

Email应用的构成组件

邮件客户端（user agent）

邮件服务器

SMTP协议（Simple Mail Transfer Protocol）

邮件客户端

读、写Email消息

与服务器交互，收、发Email消息

Outlook,Foxmail,Thunderbird

Web客户端

邮件服务器

邮箱：存储发给该用户的Email

消息队列：存储等待发送的Email

 SMTP协议

邮件服务器之间传递消息所使用的协议

客户端：发送消息的服务器

服务器：接收消息的服务器

采用邮件服务器的好处：

PC端不能保证7*24小时在线，如果直连则用户需要等待对方在线才能退出，邮件服务器方便了用户使用。

SMTP协议：RFC 2821

使用TCP进行Email消息的可靠传输

端口25

传输过程的三个阶段：1、握手2、消息的传输3、关闭

命令/响应交互模式：

    1、命令：ASCII文本

    2、响应：状态代码和语句

Email消息只能包含7为ASCII码

 Email实例

1 用户1用自己的邮件客户端写了个消息

2 用户1把自己的邮件消息发送给自己的邮件服务器

3 邮件服务器队列把队列中的消息发送到对方的邮件服务器队列中

4 用户2在某一时刻利用邮件客户端获取邮件消息

email是个异步应用，发送发与接收方不一定同时

SMTP交互示例

S：Server C：Client

 SMTP协议与HTTP协议对比

 Email消息格式与POP3协议

Email消息格式

多媒体扩展

 声明有多媒体内容、编码格式、文件类型

 

 邮件访问协议

作用：从服务器获取邮件

POP：Post Office Protocol[RFC 1939]

认证/授权（客户端<-->服务器）和下载

IMAP：Internet Mail Access Protocol[RFC 1730]

更多功能

更加复杂

能够从操纵服务器上存储的消息

HTTP：163、QQ Mail（基于web的Email）

POP3协议

认证过程

客户端命令：User：声明用户名

                     Pass：声明密码

服务器响应：+OK

                      -ERR

事务阶段

List：列出消息数量

Retr：用编号获取消息

Dele：删除消息

Quit：推出

 “下载并删除”模式

如果用户换了客户端软件，无法重读该邮件

“下载并保持”模式

不同客户端都可以保留消息的拷贝

POP3是无状态的

IMAP协议

所有消息统一保存在一个地方：服务器

允许用户利用文件夹组织消息

IMAP支持跨会话（Session）的用户状态：

   文件夹的名字

   文件夹与消息ID之间的映射等

 IMAP与POP3有哪些不同（课后练习）

IMAP和POP3有什么区别?-163邮箱常见问题

自然语言处理之文本分类：使用TF-IDF优化K-Nearest Neighbors (KNN)
最新发布
zhubeibei168的博客
05-11 567
K-Nearest Neighbors (KNN)是一种基于实例的学习算法，用于分类和回归。在文本分类中，KNN算法通过计算待分类文本与训练集中每个文本的距离，然后选择距离最近的K个邻居，根据这些邻居的类别来预测待分类文本的类别。词袋模型和TF-IDF模型是文本分类中常用的特征提取方法。词袋模型简单直观，但可能无法区分文本中的重要词和常见词。TF-IDF模型通过结合词频和逆文档频率，可以更准确地反映词在文档中的重要性，从而提高文本分类的性能。
使用Python和机器学习进行文本情感分类
qq_40985985的博客
04-28 2218
这篇博客将介绍如何使用Python进行机器学习的文本情感分类（Text Emotions Classification）。可以看到 对文本“She didn’t come today because she lost her dog yestertay! 标记为 sadness 是正确的。
[deeplearning-018]tf的各种例子
大数据和机器学习研究
08-27 272
https://github.com/aymericdamien/TensorFlow-Examples 待续。  
tf学习（二）—— 简单示例程序学习
qiurisiyu的博客
05-06 332
通过随机数创建一些点通过最小损失函数生成非线性回归函数通过画图工具将原点与生成的预测图画出来
文本情感分类
Nicholas_Liu2017的博客
06-26 8178
电影文本情感分类 Github地址 Kaggle地址 这个任务主要是对电影评论文本进行情感分类，主要分为正面评论和负面评论，所以是一个二分类问题，二分类模型我们可以选取一些常见的模型比如贝叶斯、逻辑回归等，这里挑战之一是文本内容的向量化，因此，我们首先尝试基于TF-IDF的向量化方法，然后尝试word2vec。 # -*- coding: UTF-8 -*- import pa
[笔记][tf]|[例子2]tensorflow学习笔记（2）
weixin_43991786的博客
12-30 439
[tf]|[例子2]tensorflow学习笔记（2） 参考：莫烦Python: morvanzhou.github.io tf.random_normal() tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None) 从正态分布中输出随机值 mean：数据类型为dtype的张量值或Py...
1.8TF的分类
weixin_30552635的博客
12-26 106
TF识别手写体识别分类 #-*- coding: utf-8 -*- # @Time : 2017/12/26 15:42 # @Author : Z # @Email : S # @File : 1.9classification.py #该程序在windows上报错，linux上没问题 import tensorflow as tf from tensor...
tf-idf.zip_Information Retrival_python IR_python TF-IDF_tf-idf
09-15
此外，TF-IDF也可用于文本分类任务，例如文档主题识别或情感分析。在这些应用中，我们可以先提取文档的TF-IDF特征，然后使用这些特征作为输入训练分类模型，如SVM、朴素贝叶斯或深度学习模型。 在`tfidf`这个压缩包...
搭建情感分析系统，tf-idf，word2vec
sesiria的博客
10-08 2031
情感分析问题 给定一个文本并输出它的情感值，情感值无非是正面、负面或者中性。 我们希望通过使用一种算法去识别一个文本的情感，这个问题本身属于文本分类问题。 如果只是正面或者负面，就是二分类问题；但如果是正面、负面和中性，则是三分类问题。 应用场景： 1）量化投资，就是通过AI技术去做投资比如股票买卖。在量化投资里，我们一般使用模型对未来的股市做预测，然后再进行买卖的决策。在这个任务上，我们...
情感分析之词袋模型TF-IDF算法（三）
修炼之路
04-14 1万+
在这篇文章中，主要介绍的内容有： 1、将单词转换为特征向量 2、TF-IDF计算单词关联度 在之前的文章中，我们已经介绍过一些文本的预处理和分词。这篇文章中，主要介绍如何将单词等分类数据转成为数值格式，以方便我们后面使用机器学习来训练模型。 一、将单词转换为特征向量 词袋模型(bag-of-words model)：将文本以数值特征向量的形式来表示。主要通过两个步骤来实现词袋模型： 1...
情感分类器
02-22
情感分类器 作者：Charles Glass版本：1.0.0 概述 确定适合情绪分类的数据集-分布均匀的评论是一个不错的选择。 可以从外部访问它，也可以从您的存储库内部访问它。 确定适合您的情绪的价差，并添加一栏，将其与适当的评论相关联。 识别并规范化数据集中的所有问题。 使用Keras和Tensorflow采取一键矢量方法进行预处理工作。 数据集 我选择了亚马逊耳机评论数据集，该数据集的重要类别是评论主体和该人给耳机的星星数量。 我看到有人在评论，1或2星是相当负面的评价，3颗星是相当中性的，4或5星是相当正面的评价。我使用了tokenizer将数据集放入序列中，然后使用了tokenizer将我的数据集汇总成矩阵 建筑学 此应用程序用于Python，pandas，jupyterlab，karas，numpy和tensorflow 变更记录 12-30-2019 3:30 pm-清理数据集
使用TensorFlow实现二分类
热门推荐
修炼之路
10-23 3万+
使用TensorFlow构建一个神经网络来实现二分类，主要包括输入数据格式、隐藏层数的定义、损失函数的选择、优化函数的选择、输出层。下面通过numpy来随机生成一组数据，通过定义一种正负样本的区别，通过TensorFlow来构造一个神经网络来实现二分类。 一、神经网络结构 输入数据：定义输入一个二维数组（x1,x2），数据通过numpy来随机产生，将输出定义为0或1，如果x1+x2&lt;1,...
学习笔记TF010:softmax分类
利炳根
05-18 1224
回答多选项问题，使用softmax函数，对数几率回归在多个可能不同值上的推广。函数返回值是C个分量的概率向量，每个分量对应一个输出类别概率。分量为概率，C个分量和始终为1。每个样本必须属于某个输出类别，所有可能样本均被覆盖。分量和小于1,存在隐藏类别；分量和大于1,每个样本可能同时属于多个类别。类别数量为2,输出概率与对数几率回归模型输出相同。变量初始化，需要C个不同权值组，每个组对应一个可能输出，
python神经网络分类_Python tf神经网络二分类，最后结果都是一样的
weixin_39886612的博客
12-05 727
神经网络input是140个样本 1296维度的特征值，label前60是[1.0, 0.0] 后面是[0.0, 1.0]，想来实现二分类，可是我用softmax交叉熵+L2正则化，训练出来的output全是一个相同的1*2矩阵。有没有大神可以看出来错在哪里 T_Txs = tf.placeholder(tf.float32,shape=(None, 36*36))ys = tf.placeho...
情感分类实例——基于Logistics回归以及SVC
邱邱邱的博客
12-03 1400
本篇博客分别将用三种模型分别进行情感分析 目录一、朴素贝叶斯二、Logistics回归三、SVC 在训练模型之前，先看下数据集的样子： 正向评价和负向评价在两个sheet中。因此首先要将两个sheet合并并分别标注为1和0 # 导入数据集 import pandas as pd # 定义正向为1，负向为0 dfpos = pd.read_excel('./购物评论.xlsx', sheet...
基于Transformers库的BERT模型：一个文本情感分类的实例解析
蓝天白云梦的csdn博客
04-08 2万+
简介 本文来讲述BERT应用的一个例子，采用预训练好的BERT模型来进行演示。BERT的库来源于Transformers，这是一个由PyTorch编写的库，其集成了多个NLP领域SOTA的模型，比如bert、gpt-2、transformer xl等，并且可以自由选择已经预训练好的模型参数，我们可以基于这些参数进行进一步的训练调试。 Part 1: 利用BERT基于特征的方式进行建模 1、任务与数...
NLP冻手之路(5)——中文情感分类(以BERT为基础，由Hugging Face库支持，代码实践)
Wang_Dou_Dou_的博客
10-27 4446
关键字：NLP、情感分析、bert-base-chinese。
tf2.0做LSTM情感分析（二分类、2020李宏毅hw4）
syh的技术记录
08-31 3268
前言 这段时间在做李宏毅ML/DL网课的第四次作业（2020），李老师讲得真的很棒，如果想自学的话我把课程链接放在这儿李宏毅2020网课，里面所有作业的数据集也放在这里：所有作业数据集，提取码：akti，都是这个up主整理的，挺良心的，为这个up主点赞。 写这篇blog主要是为了总结最近几天的学习，以及日后用到模型可以及时拐回来复习。这次的模型在测试集上的准确率有64%左右，并不是特别高，有些过拟合，日后有提高精度的方法我会再去试试。下面写的很多东西都是我自己的理解，可能会有不准确的地方，观看时请带着批判性
NLP情感分析之情感分类
miner_zhu的博客
09-26 3万+
情感分析与情感分类 情感分析（sentiment analysis）是近年来国内外研究的热点，其任务是帮助用户快速获取、整理和分析相关评价信息，对带有情感色彩的主观性文本进行分析、处理、归纳和推理。 情感分析包含较多的任务，如情感分类（sentiment classification）、观点抽取（opinion extraction）、观点问答和观点摘要等。因此很难简单地将其划归为某一个领域，...
cnn-svm情感分类
03-18
### 使用CNN和SVM进行情感分类的方法 #### CNN的作用 卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格状数据（如图像、文本等）的深度学习模型。在文本分类任务中，CNN可以有效地捕捉局部特征以及短语级别的模式[^1]。 对于情感分类任务，CNN可以通过以下方式发挥作用： - **词嵌入层**：将输入文本转换为固定长度的向量表示。通常使用预训练的词向量（如GloVe或Word2Vec），或者通过随机初始化的方式构建词嵌入矩阵。 - **卷积操作**：通过对词嵌入后的文本应用多个大小不同的滤波器来提取局部特征。这些滤波器能够识别特定的语言结构，例如常见的情感表达模式。 - **池化操作**：减少空间维度的同时保留最重要的特征信息。最大池化是最常用的策略之一，它选取每个过滤器响应的最大值作为最终特征表示的一部分。 以下是基于Python实现的一个简单CNN模型代码示例： ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(vocab_size, embedding_dim, max_length): model = models.Sequential() # Embedding layer model.add(layers.Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=max_length)) # Convolutional Layer with multiple filter sizes model.add(layers.Conv1D(filters=100, kernel_size=3, activation='relu')) # Global Max Pooling to reduce dimensionality model.add(layers.GlobalMaxPooling1D()) # Fully connected layer before SVM-like classification model.add(layers.Dense(50, activation='relu')) return model ``` #### SVM的角色 支持向量机（Support Vector Machine, SVM）是一种经典的监督学习算法，在二分类问题上表现优异。尽管SVM本身不是一种深度学习技术，但它可以与CNN结合形成混合模型，从而充分利用两者的优点[^2]。 具体来说，可以从以下几个方面考虑这种组合的应用场景： - 将CNN提取到的高级特征传递给线性核或其他类型的SVM完成最终决策边界划分； - 利用SVM强大的泛化能力弥补某些情况下仅依靠深层网络可能出现过拟合的风险； 下面展示了一个如何把前面定义好的CNN部分输出结果送入sklearn库里的标准SVM来进行预测的例子: ```python from sklearn.svm import SVC import numpy as np # Assume `cnn_features` is the feature vector extracted by CNN and labels are given. X_train, y_train = cnn_features[:80], labels[:80] X_test, y_test = cnn_features[80:], labels[80:] svm_classifier = SVC(kernel="linear", C=1.0) svm_classifier.fit(X_train, y_train) predictions = svm_classifier.predict(X_test) accuracy = sum(predictions == y_test)/len(y_test)*100 print(f"SVM Accuracy on test set: {accuracy:.2f}%") ``` #### 结合两者的优势 当我们将CNN与SVM结合起来解决情感分析问题时，实际上创建的是一个分阶段的学习框架——先由前者负责复杂的数据表征工作，再交后者执行精确的目标判定过程[^4]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

软糖工程001

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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