(6) 套接字地址结构

套接字地址结构 简介大多数套接字函数都需要一个指向套接字地址结构的指针作为参数。每个协议族都定义它自己的套接字地址结构。这些结构的名字均以“sockaddr_”开头,并以对应每个协议族的唯一后缀结尾。IPv4套接字地址结构IPv4套接字地址结构通常也称为“网际套接字地址结构”,它以sockaddr_in命名,定义在<netinet/in.h>头文件中。它的定义如下:struct in_addr { in_ 阅读详情

一、概述

(1) 套接字地址结构可以在两个方向上传递:

  1. 从进程到内核
  2. 从内核到进程

其中,从内核到进程方向的传递是值-结果参数传递。

(2) 地址转换函数在地址文本表达和它们存放在套接字地址结构中的二进制值之间进行转换。

  1. 多数现存的IPv4代码使用inet_addr和inet_ntoa这两个函数。
  2. 不过inet_pton和inet_ntop同时适用于IPv4和IPv6两种协议代码

二、套接字地址结构

大多数套接字函数都需要一个指向套接字地址结构的指针作为参数。

每个协议族都定义它自己的套接字地址结构。

这些结构的名字均以 sockaddr_ 开头,并以对应每个协议族的唯一后缀结尾。

2.1 IPv4套接字地址结构

IPv4套接字地址结构通常也称为“网际套接字地址结构”,它以 sockaddr_in 命名,定义在 <netinet/in.h> 头文件中。

在POSIX规范中对sockaddr_in的定义如图1所示:
在这里插入图片描述

图1 网际(IPv4)套接字地址结构:sockaddr_in
2.2 图1网际套接字地址结构说明
2.2.1 长度字段sin_len

(1) 长度字段sin_len是为增加对OSI协议的支持而随4.3BSD-Reno添加的,它是一个uint8_t类型,符合POSIX的系统都提供这种形式的数据类型,如图2所示

(2) 在添加sin_len之前,第一个成员变量是sin_family,它是一个无符号短整数(unsigned short)。
在这里插入图片描述

图2 POSIX规范要求的数据类型

(3) 因为有了长度字段,才简化了长度可变套接字地址结构的处理。但是即使有长度字段,也无须设置和检查它,除非涉及路由套接字。它是由处理来自不同协议族的套接字地址结构的例程在内核中使用的。

长度字段sin_len注意:

注意1: 在源自Berkeley的实现中,从进程到内核传递套接字地址结构的4个套接字函数(bind、connect、sendto和sendmsg)都要调用sockargs函数。该函数从进程复制套接字地址结构,并显式的把它的sin_len字段设置成早先作为参数传递给这4个函数的该地址结构的长度。

注意2: 从内核到进程传递套接字地址结构的5个套接字函数分别是accept、recvfrom、recvmsg、getpeername和getsockname,均在返回到进程之前设置sin_len。

2.2.2 POSIX规范中的3个字段

(1) POSIX规范只需要图1的套接字地址结构中的3个字段:sin_family、sin_addr和sin_port。对于符合POSIX的实现来说,定义额外的结构字段是可以接受的,这对于网际套接字地址结构来说也是正常的。几乎所有的实现都增加了sin_zero字段,所以所有的套接字地址结构大小都至少是16字节。

(2) 接下来说明的是s_addr、sin_family和sin_port的POSIX类型,如下:

  1. in_addr_t数据类型必须是一个至少32位的无符号整数类型
  2. in_port_t必须是一个至少16位的无符号整数类型
  3. sa_family_t可以是任何无符号整数类型,但也有差别,如下描述,
# 1、在支持长度字段的实现中,sa_family_t通常是一个8位无符号整数
# 2、在不支持长度字段的实现中,它则是一个16位的无符号整数。

(3) 后面还将会遇到其它数据类型,如u_char、u_short、u_int和u_long,它们都是无符号的。POSIX规范定义这些类型时特地标记它们已过时,仅是为向后兼容才提供的。

(4) IPv4地址和TCP或UDP端口号在套接字地址结构中总是以网络字节序来存储。(还有主机字节序)

(5) 32位IPv4地址存在两种不同的访问方法

假设,serv定义为某个网际套接字地址结构

1、sin_addr访问
serv.sin_addr将按in_addr结构引用其中的32位IPv4地址IPv4地址

2、s_addr访问
serv.sin_addr.s_addr将按in_addr_t(通常是一个无符号的32位整数)引用同一个32位IPv4地址。

注:
早期版本(如4.2BSD)把in_addr结构定义为多种结构的联合(union),允许访问一个32位IPv4地址中的所有4个字节,或者访问它的2个16位值。
如今大多数系统已经废除了该联合,转而把in_addr定义为仅有一个in_addr_t字段的结构。
2.2.3 sin_zero字段

sin_zero字段未曾使用,不过在填写这种套接字地址结构时,总是把该字段置为0。按照惯例,总是在填写该字段前把整个结构置为0,而不是单单把sin_zero字段置为0。

2.2.4 套接字地址结构使用场景

套接字地址结构仅在给定主机上使用:

虽然结构中的某些字段(例如IP地址和端口号)用在不同主机之间的通信中,但是结构本身并不在主机之间传递

2.3 通用套接字地址结构
2.3.1 概述

(1) 当作为一个参数传递给任何套接字函数时,套接字地址结构总是以指针(指向该结构的指针)来传递。

(2) 然而以这样的指针作为参数之一的任何套接字函数必须处理来自所支持的任何协议族的套接字地址结构。

(3) 在如何声明所传递指针的数据类型上存在一个问题。

  1. 有了ANSI C后解决办法很简单:void*是通用的指针类型。
  2. 然而套接字函数是在ANSI C之前定义的,在1982年采取的办法是在**<sys/socket.h>头文件中定义一个通用的**套接字地址结构,如图3所示:
    在这里插入图片描述
图3 通用套接字地址结构:sockaddr
2.3.2 图3通用套接字地址结构说明

(1) 套接字函数被定义为以指向某个通用套接字地址结构的一个指针作为其参数之一,正如bind函数的ANSI C函数原型所示:

int bind(int, struct sockaddr*,socklen_t);

(2) 这就要求对这些函数的任何调用都必须要将指向特定于协议的套接字地址结构的指针进行类型强制转换(casting),变成指向某个通用套接字地址结构的指针,如下示例代码所示:

/* IPv4 socket address structure */
struct sockaddr_in serv;

/* fill in serv{} */
bind(sockfd, (struct sockaddr*)&serv, sizeof(serv));

注意:省略强制类型转换的警告

  1. 如果省略了bind函数中的类型强制转换部分 (struct sockaddr *) ,并假设系统的头文件中有bind函数的一个ANSI C原型
  2. C编译器将会产生如下的警告信息:

原文:warning: passing arg 2 of ‘bind’ from incompatible pointer type.

译文:警告:把不兼容的指针类型传递给‘bind’函数的第二个参数

2.3.3 作用

从应用程序开发人员的观点看,这些通用套接字地址结构的唯一用途就是对指向特定于协议的套接字地址结构的指针执行类型强制转换。

2.4 IPv6套接字地址结构

IPv6套接字地址结构在**<netinet/in.h>头文件中定义**,且关于IPv6对于套接字API的扩展定义在RFC 3493[Gilligan et al.2003],如图4所示:
在这里插入图片描述

图4 IPv6套接字地址结构
2.4.1 图4的IPv6套接字地址结构说明

(1) 如果系统支持套接字地址结构中的长度字段,那么SIN6_LEN常值必须定义。

(2) IPv6的地址族是AF_INET6,而IPv4的地址族是AF_INET。

(3) 结构中字段的先后顺序做过编排,使得如果sockaddr_in6结构本身是64位对齐的,那么128位的sin6_addr字段也是64位对齐的。

(4) sin6_flowinfo字段分成两个字段:

  1. 低序20位是流标(flow label)
  2. 高序12位保留

(5)对于具备范围的地址(scope address),sin6_scope_id字段表示其范围

2.5 新的通用套接字地址结构

作为IPv6套接字API的一部分而定义的 新的通用套接字地址结构(struct sockaddr_storage) 克服了现有struct sockaddr的一些缺点。

不像struct sockaddr,新的struct sockaddr_storage足以容纳系统所支持的任何套接字地址结构。

sockaddr_storage结构在<netinet/in.h>头文件中定义,如图5所示:
在这里插入图片描述

图5 套接字地址结构:sockaddr_storage
2.5.1 sockaddr_storage说明

(1) sockaddr_storage类型提供的通用套接字地址结构相比sockaddr存在以下两点差别:

  1. 如果系统支持的任何套接字地址结构有对齐需要,那么sockaddr_storage能够满足苛刻的对齐要求。
  2. sockaddr_storage足够大,能够容纳系统支持的任何套接字地址结构

(2) 注意:

  1. 除了ss_family和ss_len外(如果有的话),sockaddr_storage结构中的其它字段对用户来说是透明的。
  2. sockaddr_storage结构必须类型强制转换成或复制到适合于ss_family字段所给出地址类型的套接字地址结构中,才能访问其它字段。
2.6 套接字地址结构的比较

图6是对IPv4、IPv6、Unix域、数据链路和存储等5种套接字地址结构进行的比较;假设所有的套接字地址结构都包含了一个单字节的长度字段,地址族字段也占用一个字节,其它所有字段都占用确切的最短长度。
在这里插入图片描述

图6 不同套接字地址结构的比较
2.6.1 图6不同套接字地址结构比较说明

(1) IPv4与IPv6这两种套接字地址结构是固定长度的,而Unix域和数据链路这两种套接字地址结构是可变长度的。

(2) 为了处理长度可变的结构,当把指向某个套接字地址结构的指针作为一个参数传递给某个套接字函数时,也把该结构的长度作为另一个参数传递给这个函数。

【Linux】socket地址、IP地址、Port端口转换 (一)通用socket地址 (1)struct sockaddr struct socketaddr类型是网络编程的通用地址类型,其定义如下 头文件:bits/socket.h #include <bits/socket.h> struct sockaddr { sa_family_t sa_family; //地址族(协议族)类型的变量 char sa_data[14]; //存放socket地址值 }; 协议族和地址族的关系 注意:宏PF_*和AF_*都定义在bits/soc 阅读详情

相关推荐

Unix网络编程(一):套接字地址结构

1. 简介在ubuntu下写socket程序时,经常会看到那几个sockaddr的struct, 总是反应不过来它们的区别是什么,因此需要整理并归纳一下这些结构。2. 特定IP协议的套接字地址结构1. IPv4套接字地址结构struct sockaddr_in { uint8_t sin_len; sa_family_t sin_family; //这是套接的协议族,sin

金樽对月的成长脚步 854

Unix网络编程——Web programming

OSI模型 描述一个网络中各个协议层的常用方法是使用国际标准化组织的计算机通信开放系统互联模型 图中TCP与UDP之间留有间隙,表明网络应用染过传输层直接使用IPv4或IPv6是可能的。OSI模型的顶上三层被合并成一层,称为应用层,即web客户、Telnet客户、Web服务器、FTP服务器和其他在使用的网络应用所在的层 套接字提供的是从OSI模型的顶上三层进入传输层的接口,这样设计的理由有两个 1、顶上三层处理具体网络应用(如FTP、Telnet、HTTP)的所有细节,对通信细节了解很少;低下四

WN0813的博客 1267

【Fargo】14: sockaddr_in 、 sockaddr 、sockaddr_storage 区别及转换

sockaddr_storage

突围 658

网络编程通用结构体sockaddr/sockaddr_storage

网络编程中4个重要的地址数据结构 IPv4: struct sockaddr_in, 16个字节 1 struct sockaddr_in { 2 sa_family_t sin_family; /* AF_INET */ 3 in_port_t sin_port; /* Port number. */ 4 ...

小小的博客 1万+

ROS2多线程处理RTSP视频流避坑指南:OpenCV解码丢帧问题解决方案

本文针对ROS2中处理RTSP视频流时OpenCV解码丢帧的常见问题,提供了专业的解决方案。通过深入分析单线程模型的瓶颈,提出并详细拆解了基于生产者-消费者多线程模型的健壮实现方案,有效分离数据采集与处理,从而显著提升视频流的稳定性和流畅度。

weixin_29199873的博客 168

【黑马点评优化】3-压测秒杀接口,算出性能塌陷区,之后用sentinel实现秒杀接口限流

【黑马点评优化】3-压测秒杀接口,算出性能塌陷区,之后用sentinel实现秒杀接口限流

m0_52031708的博客 3572

网络编程中4个重要的地址数据结构sockaddr_in sockaddr_in6 sockaddr sockaddr_storage

1. IPv4: struct  sockaddr_in (internet), 16个字节 1 struct sockaddr_in { 2 sa_family_t sin_family; /* AF_INET */ 3 in_port_t sin_port; /* Port number. */ 4 ...

httpdrestart的博客 3099

【Attention Is All You Need】Transformer模型精读

Attention Is All You Need》这篇论文奠定了Transformer模型的基础,为深度学习的发展提供了新的方向。Transformer通过自注意力机制和并行化处理显著提升了计算效率和模型性能。然而,Transformer的广泛应用也带来了新的挑战,如计算资源的消耗和对长序列的处理能力等。随着技术的不断发展,研究人员已经提出了诸如Efficient Transformer、Reformer等变种,旨在提升Transformer的效率和适应性。

Lewiz_124的博客 1501

几种基本套接字地址结构 sockaddr sockaddr_in sockaddr_in6

最近在看UNPV13E,这本书是基于unix系统的,头文件的目录和结构体定义跟linux系统不尽相同,但是这两个系统中C代码描述的TCP/IP协议内容最终含义都是差不多的。 所以这里就使用linux系统的定义来描述了,如果想研究unix系统,可以去查4.4BSD-LITE 相关代码。 1. 通用套接字地址结构:sockaddr 定义在 include/linux/socket.h 中:

1418

Shader Graph实战:5分钟搞定Flow Map水体流动效果(含UV偏移避坑指南)

本文详细解析了如何使用Unity的Shader Graph工具快速实现Flow Map水体流动效果,涵盖基础原理、核心节点搭建、高级技巧及性能优化。特别针对UV偏移问题提供避坑指南,帮助开发者轻松打造专业级动态水面效果,适合游戏场景增强视觉表现。

weixin_29250403的博客 247

结合qtdesigner,用pyqtgraph在界面上绘制波形图(一)

思路:先画图,然后在qtdesigner上放一个容器,给这个容器添加一个布局,然后把图当作一个Widget放入布局中。二、PyUIC把test.ui转换成test.py,再新建一个load_test.py写脚本。就这么简单,基础部分就完成了。也可以给它添加样式,我知道的样式不算多,但会继续写。一、随便拖进来一个容器控件,我拖了一个Widget。要想把波形图显示在界面上,核心思想其实很简单。三、load_test.py的代码。

learninger_lt7的博客 1805

UNIX网络编程(6)--套接字地址结构、通用套接字地址结构

#include /**IPV4套接字地址结构**/ struct in_addr { in_addr s_addr;//32位IPV4地址,这是无符号整数,网络字节序 }; /*POSIX只关注sin_family,sin_port,sin_addr,所有网络套接字地质结构都至少16字节*/ struct sockaddr_in { uint8_t sin_len

技术斋 1722

Educoder:爬虫实战——求是网周刊文章爬取

第1关:获取新闻url importrequests importre defgeturls(): #**********Begin**********# url='http://www.qstheory.cn/dukan/qs/2014/2019-01/01/c_1123924172.htm' headers={ 'User-Agent':'Mozilla/5.0(Linux;Android6.0;Nexus5Buil...

weixin_46026136的博客 5256

Unix网络编程 卷1 第3章:套接字编程简介(套接字地址结构)

一、IPv4套接字地址结构 IPv4套接字地址结构通常称为“网际套接字地址结构”,它以sockadd_in命名。头文件及声明如下: #include struct sockaddr_in{ uint8_t sin_len; sa_family_t sin_family; /*AF_INET*/ in_port_t

iFuMI的博客 926

【示波器专题】示波器探头的原理深入——有源探头之单端有源探头

由于接地环路的苛刻要求,更高带宽的单端有源探头就算设计了也不实用。因此单端有源探头的带宽一般在6GHz以内,更高带宽的信号测量也只能使用差分有源探头(市面上有些型号的差分探头可同时兼顾单端测试)。......

一点硬件 2147

相似贴子推荐:基于 LangChain4j + Milvus 的混合检索实战

本文提出了一种基于LangChain4j和Milvus的混合检索方案,用于解决论坛社区中的相似帖子推荐问题。该方案结合稠密向量语义检索和BM25关键词检索的优势,通过RRF算法实现结果融合。系统采用bge-small-zh模型生成语义向量,利用Milvus 2.5+原生支持的BM25功能和混合搜索API,在百万级数据规模下实现50ms内的检索延迟,召回率和精确率分别提升15%和22%。文章详细介绍了从数据预处理、向量化到混合检索的完整实现流程,并探讨了进阶优化方向,为推荐系统和RAG应用提供了高效解决方案。

分享AI、区块链技术及应用,未来已来 90

套接字编程简介: IPV4套接字地址结构/ 通用套接字地址结构/ IPV6套接字地址结构/新通用套接字地址结构...

IPv4套接字地址结构通常也称为“网际套接字地址结构”,它以sockaddr_in命名,定义在<netinet/in.h>头文件中。 struct in_addr { in_addr_t s_addr;/*32-bit IPv4 address*/ /*network byte ordered*/ }; struct sockaddr_in { uin...

weixin_30654419的博客 506

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Unix Network Programming(6)---套接字地址结构

大多数套接字函数都需要一个指向套接字地址结构的指针作为参数。每个协议族都定义它自己的套接字地址结构。均以sockaddr_开头,并以对应每个协议族的唯一后缀结尾。 IPv4套接字地址结构网际套接字地址结构:struct in_addr { in_addr_t s_addr; }struct sockaddr_in { uint8_t sin_len; sa_family_t

liyuan_35023的博客 458

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

IPv4 和 IPv6 的套接字地址结构

大多数套接字函数都需要一个指向套接字地址结构的指针作为参数,每个协议族都定义有它自己的套接字地址结构。这些结构的名字均以“sockaddr_”开头,并以对应每个协议准的唯一后缀结尾。 IPv4 套接字地址结构通常也称为“网际套接字地址结构”,它以“sockaddr_in”命名,定义在 头文件中。下面是它的 POSIX 定义。 [code="C"] #include ...

aisxyz 1867

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

unix网络编程_Unix网络编程-套接字地址结构

每个协议族都定义他的套接字地址结构。这些结构的名字均以sockaddr_开头,并以对每个协议族的唯一后缀尾。IPV4套接字地址结构定义在<netinet/in.h>头文件中,他以sockaddr_in命名。typedef uint16_t in_port_t;typedef uint32_t in_addr_t;typedef unsigned short int sa_family_...

weixin_39705435的博客 82

⟅UNIX网络编程⟆⦔套接字地址结构

数据类型 数据类型 说明 头文件 int8_t 带符号8位整数 <sys/types.h> uint8_t 无符号8位整数 <sys/types.h> int16_t 带符号16位整数 <sys/types.h> uint16_t 无符号16位整数 <sys/...

o0o 370

1.套接字编程基础

套接字地址结构:IPv4套接字地址结构IPv4套接字地址结构也被成为网际套接字地址结构,被命名为sockaddr_in,IPv6命名为sockaddr_in6,他们被定义在<netinet/in.h 中,posix标准中的IPv4套接字地址结构定义如下:/* ipv4套接字地址结构 */ struct sockaddr_in { sa_family_t sin_family /

arloor的博客 354
上一篇: (5) 缓冲区大小及限制
渐进者
博客等级 码龄12年 6粉丝 28原创
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
 
 条评论被折叠 查看
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
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