第7章ADSL回顾与第8章OSPF配置详解

需积分: 5 0 下载量 114 浏览量 更新于2024-06-13 收藏 854KB PPT 举报
"ATEN_PPT_chap08_V1.3.ppt" 文件主要介绍了第7章关于Asymmetric Digital Subscriber Line (ADSL)的技术细节,以及第8章Open Shortest Path First (OSPF)协议的基础知识。首先,第7章回顾了ADSL的概念、特点、工作原理,包括网络的基本结构,物理层的频分复用技术,数据链路层的封装协议,ADSL的接入方式和发展历程,以及ADSL Modem的配置。这部分内容涵盖了ADSL技术的核心要素,适合对DSL宽带接入技术有深入了解的需求。 接着,第8章聚焦于OSPF,这是内部网关路由协议的一种,用于在一个自治系统内决定路由。章节目标包括掌握OSPF单区域的配置,理解其工作原理、邻接关系建立过程、接口类型与DR/BDR选举、保存的3张表(路由表、状态表和链路状态数据库)以及报文类型。特别是,OSPF将网络划分为多个区域,每个路由器只维护其所在区域的链路状态信息,这对于大型网络的管理和效率至关重要。 通过学习这部分内容,读者可以深入理解ADSL如何作为家庭和企业网络中的关键宽带接入技术,以及OSPF如何作为网络内部路由选择的重要协议,帮助网络管理员进行高效和可靠的网络设计和故障排查。此外,理解OSPF的工作机制和区域划分,对于理解和优化多区域网络架构具有实际应用价值。
2023-04-27 上传

pytorch代码如下:class LDAMLoss(nn.Module): def init(self, cls_num_list, max_m=0.5, weight=None, s=30): super(LDAMLoss, self).init() m_list = 1.0 / np.sqrt(np.sqrt(cls_num_list)) m_list = m_list * (max_m / np.max(m_list)) m_list = torch.cuda.FloatTensor(m_list) self.m_list = m_list assert s > 0 self.s = s if weight is not None: weight = torch.FloatTensor(weight).cuda() self.weight = weight self.cls_num_list = cls_num_list def forward(self, x, target): index = torch.zeros_like(x, dtype=torch.uint8) index_float = index.type(torch.cuda.FloatTensor) batch_m = torch.matmul(self.m_list[None, :], index_float.transpose(1,0)) # 0,1 batch_m = batch_m.view((-1, 1)) # size=(batch_size, 1) (-1,1) x_m = x - batch_m output = torch.where(index, x_m, x) if self.weight is not None: output = output * self.weight[None, :] logit = output * self.s return F.cross_entropy(logit, target, weight=self.weight) classes=7, cls_num_list = np.zeros(classes) for , label in train_loader.dataset: cls_num_list[label] += 1 criterion_train = LDAMLoss(cls_num_list=cls_num_list, max_m=0.5, s=30) criterion_val = LDAMLoss(cls_num_list=cls_num_list, max_m=0.5, s=30) for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device, non_blocking=True), Variable(target).to(device,non_blocking=True) # 3、将数据输入mixup_fn生成mixup数据 samples, targets = mixup_fn(data, target) targets = torch.tensor(targets).to(torch.long) # 4、将上一步生成的数据输入model,输出预测结果,再计算loss output = model(samples) # 5、梯度清零(将loss关于weight的导数变成0) optimizer.zero_grad() # 6、若使用混合精度 if use_amp: with torch.cuda.amp.autocast(): # 开启混合精度 loss = torch.nan_to_num(criterion_train(output, targets)) # 计算loss scaler.scale(loss).backward() # 梯度放大 torch.nn.utils.clip_grad_norm(model.parameters(), CLIP_GRAD) # 梯度裁剪,防止梯度爆炸 scaler.step(optimizer) # 更新下一次迭代的scaler scaler.update() 报错:File "/home/adminis/hpy/ConvNextV2_Demo/models/losses.py", line 53, in forward return F.cross_entropy(logit, target, weight=self.weight) File "/home/adminis/anaconda3/envs/wln/lib/python3.9/site-packages/torch/nn/functional.py", line 2824, in cross_entropy return torch._C._nn.cross_entropy_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index) RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15

2023-05-29 上传