- 综合排序
- 最热优先
- 最新优先
- 来自专栏魂祭心
btcd p2p 网络分析
btcd p2p 网络分析 比特币依赖于对等网络来实现信息的共享与传输，网络中的每个节点即可以是客户端也可以是服务端，本篇文章基于比特币go版本btcd探索比特币对等网络的实现原理，整个实现从底层到上层可以分为地址 if a.nTried > 0 && (a.nNew == 0 || a.rand.Intn(2) == 0) { // Tried entry. connReq.updateState(ConnPending) pending[msg.c.id] = connReq close(msg.done) 2） 这里结构有点差，整体上是这样子的，connManager中配置了一个函数变量OnConnect，而在p2p servver启动的时候会赋值connManager的函数，这里就是把outboundPeerConnected
1.9K20发布于 2019-03-12 - 来自专栏全栈程序员必看
ucinet网络分析实例(网络分析app)
UCINET包含大量包括探测凝聚子群（cliques, clans, plexes）和区域（components, cores）、中心性分析（centrality）、个人网络分析和结构洞分析在内的网络分析程序 ′−CRCi′)(2n−3) 上表摘自SNA(社会网络分析)——三种中心度总结，这张表里的有些公式和我之前建模用过的差不多，不外乎就是中间有进行过变式，就比如我之前喜欢写 n 3 − 4 n 其余两个中心性的解释根据公式和网络分析图结合起来说明更加有真实性与连贯性，在建模中，这就是基本的网络分析了。 六个主要的社会网络分析软件的比较 [2]. 网络的介数中心性(betweenness)及计算方法 [3]. SNA(社会网络分析)——三种中心度总结 [4]. 《社会网络分析法》(刘军 译) [5]. 薛萍. 基于社会网络的研究型高校优势学科方向发展预测研究 [D]. 导师: 朱凌. 浙江大学,2014 [6].
4.8K20编辑于 2022-08-01 - 来自专栏全栈程序员必看
MaskRCNN RPN网络分析
Typically 1 (anchors for every pixel in the feature map), or 2 (every other pixel) Returns: rpn_class_logits: [batch, H * W * anchors_per_location, 2] Anchor classifier logits log(dw))] Deltas to be applied to anchors. """ # TODO: check if stride of 2 [batch, height, width, anchors per location * 2]. # anchors_per_location=3，3种锚点比例 x = KL.Conv2D(2 * anchors_per_location, (1, 1), padding='valid
1K20编辑于 2022-09-10 - 来自专栏敲得码黛
Docker桥接网络分析
ttl=64 time=0.036 ms --- 172.17.0.1 ping statistics --- 2 packets transmitted, 2 received, 0% packet ttl=64 time=0.047 ms --- 172.17.0.3 ping statistics --- 2 packets transmitted, 2 received, 0% packet ttl=64 time=0.046 ms --- 172.17.0.1 ping statistics --- 2 packets transmitted, 2 received, 0% packet ttl=64 time=0.055 ms --- 172.17.0.2 ping statistics --- 2 packets transmitted, 2 received, 0% packet ttl=64 time=0.049 ms --- 172.17.0.3 ping statistics --- 2 packets transmitted, 2 received, 0% packet
49810编辑于 2024-06-12 - 来自专栏宜信技术实践
Kubernetes网络分析之Flannel
docker0分别处于不同的段：10.1.20.1/24 和 10.1.15.1/24 ，如果从Web App Frontend1 pod（10.1.15.2）去连接另一台主机上的Backend Service2 install flannel 或者通过kubernetes的daemonset方式启动,配置flannel用的etcd地址 第二步配置集群网络 curl -L http://etcdurl:2379/v2/ 分别分配了如下网段： host-139.245 10.254.44.1/24 host-139.246 10.254.60.1/24 host-139.247 10.254.50.1/24 2、 neig show dev flannel.1 10.254.50.0 lladdr ba:10:0e:7b:74:89 PERMANENT 10.254.60.0 lladdr 92:f3:c8:b2: vxlan默认实现第一次确实是通过广播的方式，但flannel再次采用一种hack方式直接下发了这个转发表FDB # bridge fdb show dev flannel.1 92:f3:c8:b2:
2.5K40发布于 2019-06-28 - 来自专栏用户8870853的专栏
社会网络分析相关概念概述
三、 凝聚子群（Co⁃hesive Subgroup）分析是社会网络分析中的重要方法，其目的是为了揭示社会行动者之间实际存在的或者潜在的关系。 当网络中某些行动者之间的关系特别紧密，以至于结合成一个次级团体时，社会网络分析称这样的团体为凝聚子群。 社会网络分析方法中的核心—边缘结构分析可以对网络“位置”结构进行量化分析，区分出网络的核心与边缘 偏心率（Eccentricity）： 从一个给定起始点到距离它最远节点的距离。
1.9K20发布于 2021-07-27 - 来自专栏人工智能LeadAI
CNN卷积神经网络分析
经典CNN--LeNet-5网络 卷积层C1： 输入是32x32，C1层有6个特征图（也就是有6个卷积核），每个卷积核大小是5x5，所以特征图大小就是(32-5+1)^2=28x28； 参数数目：( 5x5+1个bias)x6个卷积核 连接数目:(5x5+1)x(28x28)x6 采样层S2： 6个14x14的特征图，每个特征图中的每个单元与C1中的2x2邻域相连，不重叠。 S2层每个单元的4个输入相加，乘以一个训练参数w，再加一个偏置b，通过sigmoid函数计算； 参数：因为局部参数共享，(1+1)x6=12个 连接数：(2x2+1)x14x14x6 卷积层C3： 16个卷积核，每个特征图大小是10x10，卷积核大小是5x5; 每个特征图中的每个神经元与S2中的某几个层的多个5x5的邻域相连。 比如，第0张特征图中的每个节点与S2中的第0、1、2张特征图总共3个5x5的节点相连。 【Question】这个是如何连接？是否有理论可循？
93510发布于 2018-07-26 - 来自专栏Linux内核深入分析
linux网络分析之回环网卡
2. 因为数据包不需要进过路由选择等， 直接这个数据包就像环形一样直接就送走了。 所以接受函数也就接着做了 */ /* 发送函数 * 1. 通知协议栈，暂停向驱动传输数据。 因为当前要发送数据，驱动程序为了流控暂停接受数据 (无) * 2. 将包中的数据也就是skb写入到相应的寄存器中 (无) * 3. 分配net_device结构 2. 初始化net_device结构。
2.7K20编辑于 2022-05-08 - 来自专栏全栈程序员必看
贝叶斯网络分析软件Netica
贝叶斯网络分析软件Netica使用方法 软件介绍 Netica软件是由NORSYS software corp.出品，是目前世界上应用最广泛的贝叶斯网络分析软件，以简单、可靠、高效的目的开发软件。 首先进行贝叶斯网络分析，需要构建网络network，方法有3种： File–New–Network Ctrl+N File正下方的按钮图标 构建网络之后会发现软件中的功能键变成彩色，可以使用，
6.3K10编辑于 2022-08-31 - 来自专栏yeedomliu
Wireshark网络分析从入门到实践
这种模式对于使用Wireshark这样的网络分析工具来捕获和分析网络数据是非常重要的。 无默认值 常见的协议包括ether（以太网）、ip（互联网协议）、tcp（传输控制协议）、arp（地址解析协议） 图2-2 IP数据包头的格式 2.2 捕获过滤器 选择菜单栏上的“捕获”→“选项”按钮 图2-3 （2）如图2-4所示，在“所选择接口的捕获过滤器”后面的文本框中填写字符串形式的过滤器。 图2-4 Wireshark中设置捕获过滤器 这个编写的过滤器如果不正确的话，文本框的颜色会变成粉红色，如果正确的话则为绿色。 图2-5给出了一个正确的过滤器。 图2-5 一个设置好的捕获过滤器 2.3 显示过滤器 在数据包列表处选中一个数据包，然后在数据包详细信息栏处查看这个数据包的详细内容，这里会以行的形式展示数据包的信息，当我们选中其中一行时（见图2-11
1.8K30编辑于 2023-11-20 - 来自专栏生信小驿站
社交网络分析(Social Network Analysis in Python)①
距离 我们还可以分别使用nx.shortest_path（Graph，Node1，Node2）和nx.shortest_path_length（Graph，Node1，Node2）函数确定NetworkX 在对称的Actor网络中，Dev Anand的偏心率为2，而Abhishek Bachchan的偏心率为1（它与所有人相连）。
3.7K21发布于 2019-02-22 - 来自专栏用户6291251的专栏
人物社交网络分析—平凡的世界
上一期的推送，小F做了一些社交网络分析的前期工作。 传送门：Python数据可视化：平凡的世界 比如获取文本信息，人物信息。 最后生成一个人物出现频数词云图。 本次来完成剩下的工作。 实现《平凡的世界》的人物社交网络分析。 / 01 / 人物联系 人物社交网络分析是用来查看节点、连接边之间社会关系的一种分析方法。 节点是社交网络里的每个参与者，连接边则表示参与者之间的关系。 1 name_1 = names[a] for b in range(len(names)): if flags[b] == 0: name_2 == 3: name_2 = name_2[1:] # 遍历章节及段落 num1, num2 = 0, 0 index: G.add_edge(df2.First[ii], df2.Second[ii], weight=df2.weight[ii]) # 定义3种边,大于32,16-32,小于16 elarge
1.5K20发布于 2020-10-09 - 来自专栏FPGA开源工作室
【vivado约束学习三】 时钟网络分析
【vivado约束学习三】 时钟网络分析 时钟网络反映了时钟从时钟引脚进入FPGA后在FPGA内部的传播路径。 点击Synthesis的Report CLock Networks如图2所示。 ? 图2 Report clock Networks 如图3所示，时钟clk_pin_p从输入引脚输入之后，经过IBUFDS,再通过MMCM生成时钟，同时显示了各个时钟的频率。
2.1K20发布于 2019-10-29 - 来自专栏拓端tecdat
R语言网络分析友谊悖论案例
p=17906 本文简要介绍一下网络分析，我想提供一些有关“友谊悖论”的R语言例证。 首先，让我们获取数据集的副本 library(networkD3) simpleNetwork(data[,1:2] ? 节点列表是 rbind(as.matrix(GoT[,1:2]),as.matrix(GoT[,2:1]) unique(M[,1] 我们每个人都可以得到朋友列表和朋友数量 as.character x) mean(friends_of_friends(x 我们可以查看一个随机节点的朋友数量的密度， lines(density(Nb),col="red", lines(density(Nb2) 我们还可以计算平均值 mean(Nb) [1] 6.579439 mean(Nb2) [1] 13.94243 因此，实际上，人们平均拥有的朋友少于他们的朋友。
67310发布于 2020-11-30 - 来自专栏Y大宽
WGCNA:加权基因共表达网络分析
加权基因表达网络分析（Weighted gene co-expression network analysis, WGCNA），又叫权重基因共表达网络分析，其根本思想是根据基因表达模式的不同，挖掘出相似表达模式的基因 2 加权共表达网络的构建和模块识别 一旦选择好了构建网络的β值，那么从网络构建到模块识别需要四个步骤。 2.1 第一，通过拓扑重叠计算每两个基因之间的不相似性。
4.3K53发布于 2019-05-20 免疫组库基础分析13：TCRBCR序列相似性网络分析_NAIR包介绍(2)
Node-Level Network Properties 免疫组库网络分析中的节点级属性 1. 什么是节点级网络属性？ 节点级属性是指网络图中每个单独节点所具有的特性。 2. ", cluster_stats = TRUE) 或者两步完成： net <- buildNet(toy_data, "CloneSeq") net <- addClusterStats(net) 2. 免疫组库分析合集 【生信分析】免疫组库基础分析1-V/D/J基因使用频率计算 【生信分析】免疫组库基础分析2-V/D/J基因使用频率可视化图 【生信分析】免疫组库基础分析3-基于V/D/J使用频率的聚类分析 motif分析 【生信分析】免疫组库基础分析10-CDR3 氨基酸理化性质分析 免疫组库分析11：Alakazam包【基因使用、多样性及氨基酸理化性质分析】使用说明 免疫组库分析12：TCR、BCR序列相似性网络分析
4610编辑于 2026-04-17- 来自专栏用户7627119的专栏
代谢通路和信号传导网络分析工具
2.Reactome数据库 该数据库是一个包含多种信息的通路数据库，存储了大量的代谢通路信息及生化反应信息，这些信息从生物学实验和文献中提取，并经过人工校正。 该数据库平台允许任何人创建新的通路数据，并由专业的生物砖家进行校正，因此该数据库对现有的通路数据库如1、2进行了补充。
1.4K30发布于 2020-08-28 - 来自专栏小明的数据分析笔记本
加权基因共表达网络分析（WGCNA）实例
estimateGLMTrendedDisp(dge,design) dge<-estimateGLMTagwiseDisp(dge,design) fit<-glmFit(dge,design) fit2< v1<-draw_volcano(test=DEG[,c(1,4,6)]) png("edgeR_DEG.png",width=1000) ggpubr::ggarrange(h1,v1,ncol=2, ); cex1 = 0.9; plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2], xlab="Soft independence")); text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2], labels= , marHeatmap = c(3,4,1,2), cex.lab = 0.8, xLabelsAngle = 90) dev.off() ?
2.8K21发布于 2020-03-23 - 来自专栏机器学习与统计学
二.theano实现回归神经网络分析
W、L2.b更新。 #compute the gradients #梯度下降，让预测值更接近真实值，误差越大，降低趋势越大 gW1, gb1, gW2, gb2 = T.grad(cost, [L1.W, L1.b, L2 W, L2.W-learning_rate*gW2), (L2.b, L2.b-learning_rate*gb2) ] ) #(L1 #compute the gradients #梯度下降，让预测值更接近真实值，误差越大，降低趋势越大 gW1, gb1, gW2, gb2 = T.grad(cost, [L1.W, L1.b, L2 W, L2.W-learning_rate*gW2), (L2.b, L2.b-learning_rate*gb2) ] ) #(L1
58230发布于 2019-04-10 - 来自专栏C/C++进阶专栏
基于Python的社交网络分析与实践
一，社交网络基础 1.社交网络分析的基本概念 社交网络分析(Social Network Analysis，简写为SNA)，又称为社会网络分析，是指基于信息学、数学、社会学、管理学、心理学等多学科的融合理论和方法 社交网络分析涉及的理论很广泛，有网络科学、复杂网络分析、图神经网络等。 社交网络中的连接强度划分： a.强连接：通常指那些紧密而频繁的关系，这种连接是双向的、交互频繁的。 社交网络分析中的连接强度揭示了社交网络的结构特点，如中心化程度、群组划分程度等。对强连接和弱连接的了解有助于分析社区的凝聚力和资源流动等现象。 2.节点的中心性分类 社交网络分析中的节点中心性主要指衡量网络中每个节点的重要性的指标，它可以帮助我们识别哪些个体在网络中扮演关键角色、帮助我们找出信息传播的关键路径等。 D2"),("C-3PO", "R2-D2"), ("BERU", "R2-D2"),("LUKE", "R2-D2"), ("OWEN", "R2-D2"),("OBI-WAN
1.7K10编辑于 2024-07-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号