一张图看懂网络架构（什么是网络构架）
本篇文章给大家谈谈一张图看懂网络架构，以及什么是网络构架对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
28 张图详解网络基础知识：OSI、TCP/IP 参考模型（含动态图）
目录
1、网络协议
其实协议在我们生活中也能找到相应的影子。
举个例子，有 2 个男生准备追求同一个妹子，妹子来自河南，讲河南话，还会点普通话；一个男生来自胡建，讲闽南语，也会点普通话；另一个男生来自广东，只讲粤语；
协议一致，沟通自如
语言不通，无法沟通
你们猜猜？最后谁牵手成功了？答案肯定是来自胡建的那位，双方可以通过 普通话 进行沟通，表达内容都能理解。而来自广东的帅哥只会讲粤语，不会普通话，妹子表示听不懂，就无法进行沟通下了。
每个人的成长环境不同，所讲的语言、认知、理解能力也就不同。为了使来自五湖四海的朋友能沟通自如，就需要大家协商，认识某一个语言或规则，彼此能互相理解，这个语言就是普通话。
通过这个例子，大家可以这样理解：
把普通话比作“协议”、把聊天比作“通信”，把说话的内容比作“数据”。
相信这样类比，大家就知道，协议是什么了？
简单地说，就是程序员指定一些标准，使不同的通信设备能彼此正确理解、正确解析通信的内容。我们都知道计算机世界里是二进制，要么 1，要么 0，那为啥可以表达丰富多彩的内容呢？
也是因为协议，不同字段，不同组合，可以解析不同意思，这就依然协议，让协议来正确处理。
例如，我们使用手机连 WiFi 来刷抖音，使用的是 802.11（WLAN）协议，通过这个协议接入网络。如果你所连的 WIFI 是不需要手动设置 IP 地址，是通过自动获取的，就使用到了 DHCP 协议，这样你的手机算上接入了 局域网， 如果你局域网内有台 NAS 服务器，存放了某些不可描述的******，你就可以访问观看了，但这时你可能无法访问互联网***，例如，你还想刷会抖音，看看妹子扭一扭，结果出现如下画面：
出现这种画面，说明无法使用 互联网， 可能是无线路由器没有设置好相关协议，比如： NAT、PPPoE 协议（上网账号或密码设置错误了），只有设置正确了，就可以通过运营商（ISP）提供的线路把局域网接入到互联网中，实现手机可以访问互联网上的***（服务器）。玩微信撩妹子、刷抖音看妹子。
网络协议示意图
延伸阅读
1、局域网：最显著的特点就是范围有限，行政可控的区域可以是一所高校、一个餐厅、一个园区、一栋办公楼或一个家庭的私有网络。
2、城域网：原本是介意局域网和广域网之间，实际工作中很少再刻意去区分城域网和广域网了，所以这边不再介绍。
3、广域网：简单说就是负责把多个局域网连接起来，它的传输距离长距离传输，广域网的搭建一般是由运营商来。
4、互联网：把全世界上提供***共享的 IT 设备所在网络连接起来，接入了互联网就可以随时随地访问这些***了。
5、物联网：把所有具有联网功能的物体都接入互联网就形成了物联网。如空调联网，就可以远程控制空调； 汽车 联网，就可以远程获取行程数据。
总结一下吧！我们可以把电脑、手机等 IT 设备比喻做来自五湖四海的人们，大家都通过多种语言（网络协议）实现沟通（通信）。所有人要一起交流，就用普通话，大家都能理解。所有胡建人在一起，就用闽南语进行沟通，彼此也能理解。这么的方言，就好比计算机网络世界里也有这么多协议，只是不同协议用在不同地方。
好奇的同学，可能就会问，那网络协议是由谁来规定呢？这就需要提到一个组织，ISO。这个组织制定了一个国际标准 ，叫做 OSI 参考模型，如下，很多厂商都会参考这个制定网络协议。
OSI 参考模型图
2、OSI 参考模型
既然是模型，就好比模范一样，大家都要向它学习，以它为原型，展开学习研究。前面我们也提到了一些协议，这么多协议如果不进行归纳，分层，大家学习起来是不是感觉很凌乱？
所以 OSI 参考模型就是将这样复杂的协议整理并进行分层，分为易于理解的 7 层，并定义每一层的 服务 内容，协议的具体内容是 规则 。上下层之间通过 接口 进行交互，同一层之间通过 协议 进行交互。相信很多网络工程师在今后工作中遇到问题，讨论协议问题还会用到这个模型展开讨论。所以说，对于计算机网络初学者来说，学习了解 OSI 参考模型就是通往成功的第一步。
OSI 参考模型分层功能
7.应用层
为应用程序提供服务并规定应用程序中通信相关的细节，OSI 的最高层。包括文件传输、Email、远程登录等协议。程序员接触这一层比较多。
应用层示例图
6.表示层
主要负责数据格式的转换，为上下层能够处理的格式。如编码、加密、解密等。
表示层示例图
5.会话层
即负责建立、管理和终止通信连接（数据流动的逻辑通路），数据分片、重组等传输的管理。
会话层示例图
4.传输层
保证可靠传输，不需要再路由器上处理，只需再通信双方节点上进行处理，如处理差错控制和流量控制。
传输层示例图
3.网络层
主要负责寻址和路由选择，将数据包传输到目的地。
网络层示例图
2.数据链路层
负责物理层面上互连、节点之间的通信传输，将0 、 1 序列比特流划分为具有意义的数据帧传输给对端。这一层有点类似网络层，网络层也是基于目的地址来传输，不同是：网络层是将数据包负责在整个网络转发，而数据链路层仅是在网段内转发，所以大家抓包会发现，源目 MAC 地址每经过一个二层网段，都会变化。
数据链路层示例图
1.物理层
负责 0、1 比特流（0、1 序列）与电压高低电平、光的闪灭之间的互相转换，为数据链路层提供物理连接。
物理层示例图
OSI 为啥最后没有得到运用呢？其实最主要的原因，是 OSI 模型出现的比 tcp/ip 出现的时间晚，在 OSI 开始使用前，TCP/IP 已经被广泛的应用了。如果要换成 OSI 模型也不太现实。其次是 OSI 是专家们讨论，最后形成的，由于没有实践，导致该协议实现起来很复杂，很多厂商不愿意用 OSI，与此相比，TCP/IP 协议比较简单，实现起来也比较容易，它是从公司中产生的，更符合市场的要求。综合各种因素，最终 OSI 没有被广泛的应用。
下面我们来看看 TCP/IP 与 OSI 分层之间的对应关系及相应的协议：
4.应用层
从上图，可以知道 TCP/IP 四层模型，把应用层、表示层、会话层集成再一起了，该层的协议有：HTTP 、 POP3 、 TELNET 、 SSH 、 FTP 、 SNMP 等。
目前，大部分基于 TCP/IP 的应用都是 客户端/服务端 架构。一般我们把提供***服务的那一侧叫服务端， 发起访问服务***的这一侧叫客户端。
应用层
3.传输层
主要职责就是负责两端节点间的应用程序互相通信，每个节点上可能有很多应用程序，例如，登录了微信，又打开了网页，又打开迅雷看看，那数据到达后怎么正确传送到相应的应用程序呢？那就需要 端口号 来正确识别了。传输层中最为常见的两个协议分别是传输控制协议 TCP （Tran***ission Control Protocol）和用户数据报协议 UDP （User Datagram Protocol）
面向连接 顾名思义，就是建立连接，什么时候建立连接呢？就是在通信之前需要先建立一条逻辑的通信链路。就跟我们平时打电话一样，得先拨通，通了之后即链路建立好了，这条链路只有你和对方可以在这条链路传播说话内容。挂电话后，这条链路也就断开了。
面向无连接 无连接，即通信之前不需要建立连接，直接发送即可。跟我们以前写信很像，不需要管对方在不在？直接写信寄过去就可以了。
面向连接传输
面向无连 接传输
2.网络层
主要职责就是将数据包从源地址发送到目的地址。
在网络传输中，每个节点会根据数据的 IP 地址信息，来判断该数据包应该由哪个接口（网卡）发送出去。各个地址会参考一个发出接口列表， MAC 寻址中所参考的这张表叫做 MAC 地址转发表 ，而 IP 寻址中所参考的叫做 路由表 。MAC 地址转发表根据自学自动生成。路由控制表则根据路由协议自动生成。MAC 地址转发表中所记录的是实际的 MAC 地址本身，而路由表中记录的 IP 地址则是集中了之后的网络号（即网络号与子网掩码）。
1.网络接口层
在 TCP/IP 把物理层和数据链路层集成为 网络接口层 。主要任务是将上层的数据封装成帧发送到网络上，数据帧通过网络到达对端，对端收到后对数据帧解封，并检查帧中包含的 MAC 地址。如果该地址就是本机的 MAC 地址或者是广播地址，则上传到网络层，否则丢弃该帧。
封装与解封装
所谓的封装，其实就跟你寄快递的时候，给物品加上纸盒包装起来或者快件到站点，快递员贴一层标签的过程。在网络上，就是上层的数据往下送的时候，下层会添加头部，不过，只有在二层，不仅会加上头部，还会在上层数据尾部添加 FCS。
封装
所谓解封装，就如同你收到快件一样，一层一层地拆外包装，直到看到快件。网络也是，一层一层地拆掉头部，往上层传送，直到看到数据内容。
解封装
我们把应用层的数据封装传输层头部后的报文，称为 段 ；
把段封装网络层头部后的报文，称为 包 ；
把包封装以太网头部和帧尾，称为 帧 。
求一张网络三层架构的图
三层网络架构是***用层次化架构的三层网络。
三层网络架构设计的网络有三个层次：核心层（网络的高速交换主干）、汇聚层（提供基于策略的连接）、接入层 （将工作站接入网络）。
扩展资料：
三层网络结构短板
1、不断地改变的三层网络结构数据中心网络传输模式。
2、网络收敛：三层网络结构中，同一个物理网络中的储存网络和通信网络，主机和阵列之间的数据传输通过储存网络来传输，在逻辑拓扑上就像是直接连接的一样
3、虚拟化：将物理客户端向虚拟客户端转化，虚拟化服务器是未来发展的主流和趋势，它使得三层网络结构的网络节点的移动变得非常简单。
4、如果三层网络结构上主机需要通过高速带宽相互访问，但通过层层的uplink口，会导致潜在的、而且非常明显的性能衰减。三层网络结构的原始设计更会加剧这种性能衰减，由于生成树协议会防止冗余链路存在环路，双上行链路接入交换机只能使用一个指定的网络接口链接。
5、横向网络（east-west）在纵向设计的三层网络结构中传输数据会带有传输的瓶颈，因为数据经过了许多不必要的节点（如路由和交换机等设备）。
参考资料来源：百度百科-三层网络结构
一文看懂四种基本的神经网络架构
原文链接：
更多干货就在我的个人博客 欢迎关注
刚刚入门神经网络，往往会对众多的神经网络架构感到困惑，神经网络看起来复杂多样，但是这么多架构无非也就是三类，前馈神经网络，循环网络，对称连接网络，本文将介绍四种常见的神经网络，分别是CNN，RNN，DBN，GAN。通过这四种基本的神经网络架构，我们来对神经网络进行一定的了解。
神经网络是机器学习中的一种模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
一般来说，神经网络的架构可以分为三类：
前馈神经网络：
这是实际应用中最常见的神经网络类型。第一层是输入，最后一层是输出。如果有多个隐藏层，我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。
循环网络：
循环网络在他们的连接图中定向了循环，这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态，使其很难训练。他们更具有生物真实性。
循环网络的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。
循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
对称连接网络：
对称连接网络有点像循环网络，但是单元之间的连接是对称的（它们在两个方向上权重相同）。比起循环网络，对称连接网络更容易分析。这个网络中有更多的限制，因为它们遵守能量函数定律。没有隐藏单元的对称连接网络被称为“Hopfield 网络”。有隐藏单元的对称连接的网络被称为玻尔兹曼机。
其实之前的帖子讲过一些关于感知机的内容，这里再复述一下。
首先还是这张图
这是一个M-P神经元
一个神经元有n个输入，每一个输入对应一个权值w，神经元内会对输入与权重做乘法后求和，求和的结果与偏置做差，最终将结果放入激活函数中，由激活函数给出最后的输出，输出往往是二进制的，0 状态代表抑制，1 状态代表激活。
可以把感知机看作是 n 维实例空间中的超平面决策面，对于超平面一侧的样本，感知器输出 1，对于另一侧的实例输出 0，这个决策超平面方程是 w⋅x=0。 那些可以被某一个超平面分割的正反样例集合称为线性可分(linearly separable)样例集合，它们就可以使用图中的感知机表示。
与、或、非问题都是线性可分的问题，使用一个有两输入的感知机能容易地表示，而异或并不是一个线性可分的问题，所以使用单层感知机是不行的，这时候就要使用多层感知机来解决疑惑问题了。
如果我们要训练一个感知机，应该怎么办呢？
我们会从随机的权值开始，反复地应用这个感知机到每个训练样例，只要它误分类样例就修改感知机的权值。重复这个过程，直到感知机正确分类所有的样例。每一步根据感知机训练法则来修改权值，也就是修改与输入 xi 对应的权 wi，法则如下：
这里 t 是当前训练样例的目标输出，o 是感知机的输出，η 是一个正的常数称为学习速率。学习速率的作用是缓和每一步调整权的程度，它通常被设为一个小的数值（例如 0.1），而且有时会使其随着权调整次数的增加而衰减。
多层感知机，或者说是多层神经网络无非就是在输入层与输出层之间加了多个隐藏层而已，后续的CNN，DBN等神经网络只不过是将重新设计了每一层的类型。感知机可以说是神经网络的基础，后续更为复杂的神经网络都离不开最简单的感知机的模型，
谈到机器学习，我们往往还会跟上一个词语，叫做模式识别，但是真实环境中的模式识别往往会出现各种问题。比如：
图像分割：真实场景中总是掺杂着其它物体。很难判断哪些部分属于同一个对象。对象的某些部分可以隐藏在其他对象的后面。
物体光照：像素的强度被光照强烈影响。
图像变形：物体可以以各种非仿射方式变形。例如，手写也可以有一个大的圆圈或只是一个尖头。
情景支持：物体所属类别通常由它们的使用方式来定义。例如，椅子是为了让人们坐在上面而设计的，因此它们具有各种各样的物理形状。
卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子***样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子***样也叫做池化（pooling），通常有均值子***样（mean pooling）和最大值子***样（max pooling）两种形式。子***样可以看作一种特殊的卷积过程。卷积和子***样大大简化了模型复杂度，减少了模型的参数。
卷积神经网络由三部分构成。第一部分是输入层。第二部分由n个卷积层和池化层的组合组成。第三部分由一个全连结的多层感知机分类器构成。
这里举AlexNet为例：
·输入：224×224大小的图片，3通道
·第一层卷积：11×11大小的卷积核96个，每个GPU上48个。
·第一层max-pooling：2×2的核。
·第二层卷积：5×5卷积核256个，每个GPU上128个。
·第二层max-pooling：2×2的核。
·第三层卷积：与上一层是全连接，3*3的卷积核384个。分到两个GPU上个192个。
·第四层卷积：3×3的卷积核384个，两个GPU各192个。该层与上一层连接没有经过pooling层。
·第五层卷积：3×3的卷积核256个，两个GPU上个128个。
·第五层max-pooling：2×2的核。
·第一层全连接：4096维，将第五层max-pooling的输出连接成为一个一维向量，作为该层的输入。
·第二层全连接：4096维
·Softmax层：输出为1000，输出的每一维都是图片属于该类别的概率。
卷积神经网络在模式识别领域有着重要应用，当然这里只是对卷积神经网络做了最简单的讲解，卷积神经网络中仍然有很多知识，比如局部感受野，权值共享，多卷积核等内容，后续有机会再进行讲解。
传统的神经网络对于很多问题难以处理，比如你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNN能够对任何长度的序列数据进行处理。
这是一个简单的RNN的结构，可以看到隐藏层自己是可以跟自己进行连接的。
那么RNN为什么隐藏层能够看到上一刻的隐藏层的输出呢，其实我们把这个网络展开来开就很清晰了。
从上面的公式我们可以看出，循环层和全连接层的区别就是循环层多了一个权重矩阵 W。
如果反复把式2带入到式1，我们将得到：
在讲DBN之前，我们需要对DBN的基本组成单位有一定的了解，那就是RBM，受限玻尔兹曼机。
首先什么是玻尔兹曼机？
[图片上传失败...(image-d36b31-1519636788074)]
如图所示为一个玻尔兹曼机，其蓝色节点为隐层，白色节点为输入层。
玻尔兹曼机和递归神经网络相比，区别体现在以下几点：
1、递归神经网络本质是学习一个函数，因此有输入和输出层的概念，而玻尔兹曼机的用处在于学习一组数据的“内在表示”，因此其没有输出层的概念。
2、递归神经网络各节点链接为有向环，而玻尔兹曼机各节点连接成无向完全图。
而受限玻尔兹曼机是什么呢？
最简单的来说就是加入了限制，这个限制就是将完全图变成了二分图。即由一个显层和一个隐层构成，显层与隐层的神经元之间为双向全连接。
h表示隐藏层，v表示显层
在RBM中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数b（对显层神经元）和c（对隐层神经元）来表示其自身权重。
具体的公式推导在这里就不展示了
DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和 P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。
DBN由多个限制玻尔兹曼机（Restricted Boltzmann Machines）层组成，一个典型的神经网络类型如图所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
生成对抗网络其实在之前的帖子中做过讲解，这里在说明一下。
生成对抗网络的目标在于生成，我们传统的网络结构往往都是判别模型，即判断一个样本的真实性。而生成模型能够根据所提供的样本生成类似的新样本，注意这些样本是由计算机学习而来的。
GAN一般由两个网络组成，生成模型网络，判别模型网络。
生成模型 G 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好；判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D 输出大概率，否则，D 输出小概率。
举个例子：生成网络 G 好比*** 制造团伙，专门制造*** ，判别网络 D 好比警察，专门检测使用的货币是真币还是*** ，G 的目标是想方设法生成和真币一样的货币，使得 D 判别不出来，D 的目标是想方设法检测出来 G 生成的*** 。
传统的判别网络：
生成对抗网络：
下面展示一个cDCGAN的例子（前面帖子中写过的）
生成网络
判别网络
最终结果，使用MNIST作为初始样本，通过学习后生成的数字，可以看到学习的效果还是不错的。
本文非常简单的介绍了四种神经网络的架构，CNN，RNN，DBN，GAN。当然也仅仅是简单的介绍，并没有深层次讲解其内涵。这四种神经网络的架构十分常见，应用也十分广泛。当然关于神经网络的知识，不可能几篇帖子就讲解完，这里知识讲解一些基础知识，帮助大家快速入（zhuang）门（bi）。后面的帖子将对深度自动编码器，Hopfield 网络长短期记忆网络（LSTM）进行讲解。
一张图看懂网络架构的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于什么是网络构架、一张图看懂网络架构的信息别忘了在本站进行查找喔。
