Scaling Networks v6 Companion Guide 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

本书《Designing and Deploying 802.11n Wireless Networks》由Jim Geier编著，由Cisco Systems, Inc.出版，是关于802.11n无线局域网络（WLAN）规划设计的专业参考书籍。本书提供了关于无线网络设计的全面信息，其中涉及了思科的产品，但信息和知识具有普遍适用性。 802.11n标准是IEEE制定的无线网络通信标准之一，它在2009年被正式批准，旨在提供比之前标准如802.11a、802.11b、802.11g更高的数据传输速率、更大的网络覆盖范围、更可靠的通信质量以及更好的电源管理功能。802.11n的实现依赖于多种技术，包括多输入多输出（MIMO）、信道绑定（channel bonding）、空间流（spatial streams）、帧聚合（frame aggregation）以及短的保护间隔。 在规划和设计802.11n无线网络时，需要考虑以下几个关键知识点： 1. 网络覆盖范围：802.11n由于采用了MIMO技术，可以提供比802.11a/b/g更远的传输距离。在设计时，需要考虑接入点（AP）的位置和数量，确保整个网络覆盖区域内信号强度充足。 2. 无线频段：802.11n标准工作在2.4GHz和5GHz频段，两个频段各有优劣。2.4GHz频段覆盖范围更广，但干扰较多；5GHz频段干扰较少，但覆盖范围和穿透能力相对较弱。在设计中需要权衡两者的特点，合理选择频段。 3. 数据速率：802.11n可以实现高达600Mbps的理论传输速率，而实际速率取决于具体实施时的网络环境、设备支持、信号强度等因素。设计时应考虑如何优化网络配置，以达到尽可能高的实际速率。 4. 无线信道选择：为了避免干扰，无线信道的选择至关重要。设计时需要对周围环境进行频谱分析，选择最佳信道或利用DFS（Dynamic Frequency Selection，动态频率选择）机制避免雷达等占用特定频段的情况。 5. 信道绑定和空间流：信道绑定技术可以将相邻的两个20MHz信道合并为一个40MHz信道，从而提高吞吐量。空间流则是通过多天线技术实现的数据传输，增加空间流的数量可以提升网络性能。在设计时，应充分考虑AP和客户端设备对这些技术的支持能力。 6. 安全性：随着无线网络的普及，安全问题也变得日益重要。设计时需要考虑到WPA2（Wi-Fi Protected Access 2）等加密技术以及安全认证机制，确保数据传输的安全性。 7. 网络管理和维护：设计一个易于管理维护的网络是非常关键的，应选择具备管理功能的网络设备和软件，方便后续的网络监控、故障排查和性能优化。 8. 设备兼容性：由于802.11n是一个更新的标准，需要确保网络中的所有设备都是兼容的，以避免出现旧设备不支持新标准特性的问题。 在进行802.11n无线网络部署时，还需要对安装位置、供电方式、有线网络的承载能力等方面进行细致的考虑和设计，以确保网络部署的成功和长期稳定运行。 本书可作为无线网络规划和设计人员的实用指南，提供全面的技术知识和实施经验。由于书中信息可能受到当时技术标准和设备支持状况的限制，因此在具体应用时还需结合最新的技术动态和产品信息进行适配和调整。

《SDN：软件定义网络》是由Thomas D. Nadeau编著的一本深入探讨SDN（Software Defined Networking）的专业书籍。SDN是一种新兴的网络架构，它的核心思想是将网络控制层与数据转发层分离，使得网络管理变得更加灵活、可编程和易于自动化。 在SDN的体系中，控制层负责决策数据包如何在网络中传输，而数据转发层则负责执行这些决策。这种分离使得网络管理员可以通过编程方式来控制网络，而不是依赖于硬件设备的固定功能。这样的设计极大地提升了网络的创新能力和适应性，为云计算、数据中心网络、广域网优化等场景提供了强大的支持。 书中详细介绍了SDN的起源、基本原理以及其在实际应用中的部署策略。作者阐述了SDN的概念和发展背景，包括传统网络的局限性和SDN如何解决这些问题。然后，他深入讲解了OpenFlow协议，这是SDN中最关键的组件之一，它定义了控制层和数据转发层之间的通信接口。通过OpenFlow，控制器可以动态地配置交换机的流表，实现对网络流量的精细化控制。 接下来，Nadeau详细讨论了SDN的架构，包括控制器的设计、开放API的使用、以及网络应用程序的开发。他还涵盖了网络功能虚拟化（NFV）的相关内容，NFV是与SDN相辅相成的技术，通过虚拟化技术将传统的网络设备功能转化为软件服务，进一步降低了网络运维成本。 此外，书中还涵盖了SDN在数据中心、云服务、移动网络、安全和物联网等领域的应用案例。这些案例展示了SDN如何帮助提升网络效率，实现快速的服务部署和故障恢复，以及如何通过编程实现动态流量管理和安全策略。 在安全方面，SDN提供了一种新的思路，使得网络防御策略可以更加灵活和主动。通过集中式的控制，可以迅速响应威胁，实现全局的安全视图。同时，SDN也为网络审计和合规性提供了便利。 Nadeau讨论了SDN的挑战和未来趋势，如性能优化、可扩展性问题、以及标准化进程。他指出，尽管SDN带来了许多机遇，但实现大规模部署还需要克服一些技术和社会层面的障碍。 《SDN：软件定义网络》是一本全面介绍SDN技术的权威著作，对于想要理解和掌握SDN的读者来说，无论是网络工程师、研究人员还是学生，都是一本不可多得的参考书。通过阅读这本书，读者不仅可以理解SDN的基本概念，还能深入探究其内在机制，并学习如何利用SDN解决实际网络问题。

This book provides a structured treatment of the key principles and techniques for enabling efficient processing of deep neural networks (DNNs). DNNs are currently widely used for many artificial intelligence (AI) applications, including computer vision, speech recognition, and robotics. While DNNs deliver state-of-the-art accuracy on many AI tasks, it comes at the cost of high computational complexity. Therefore, techniques that enable efficient processing of deep neural networks to improve key

压缩AI CompressAI（ compress-ay ）是用于端到端压缩研究的PyTorch库和评估平台。 CompressAI当前提供： 用于基于深度学习的数据压缩的自定义操作，层和模型 官方库的部分端口 预训练的端到端压缩模型，用于学习图像压缩 评估脚本，将学习的模型与经典图像/视频压缩编解码器进行比较 注意：多GPU支持目前处于试验阶段。 安装 CompressAI仅支持python 3.6+（当前对PyTorch的支持<3.9）和PyTorch 1.4+。还需要C ++ 17编译器，最新版本的pip（19.0+）和常见的python软件包（有关完整列表，请参见setup.py ）。 要开始并安装CompressAI，请在运行以下命令： git clone https://github.com/InterDigitalInc/CompressAI compressai cd

国外通信教材：光纤通信-系统和网络第五版（Optical Fiber Telecommunications-Systems and Networks（5th））。英文原版教材，非扫描版。 Optical Fiber Telecommunications V (A&B) is the fiveth in a series that has chronicled the progress in the R&D of lightwave communications since the early 1970s. Written by active authorities from academia and industry, this edition brings a fresh look to many essential topics, including devices, subsystems, systems and networks. A central theme is the enabling of high-bandwidth communications in a cost-effective manner for the development of customer applications. These volumes are an ideal reference for R&D engineers and managers, optical systems implementers, university researchers and students, network operators, and investors.

使用逆强化学习进行扫描路径预测 PyTorch的官方实施， （CVPR2020，口头） 我们提出了第一个逆向强化学习（IRL）模型，以学习人类在视觉搜索过程中使用的内部奖励功能和策略。 观察者的内部信念状态被建模为对象位置的动态上下文信念图。 这些地图是由IRL获悉的，然后用于预测多个目标类别的行为扫描路径。 为了训练和评估我们的IRL模型，我们创建了COCO-Search18，COCO-Search18是目前最大的高质量搜索注视数据集。 COCO-Search18有10位参与者在6202张图像中搜索18个目标对象类别中的每一个，进行了约300,000个目标定向注视。 当在COCO-Search18上进行训练和评估时，无论是在与人类搜索行为的相似性还是搜索效率方面，IRL模型在预测搜索注视扫描路径方面均优于基线模型。 如果您正在使用此作品，请引用： @InProceedings {

HypeLCNN概述 该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中） 使用Tensorflow 1.x开发（在1.10至1.15版上测试）。 该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。 主要特点： 支持超参数估计 基于插件的神经网络实现（通过NNModel接口） 基于插件的数据集集成（通过DataLoader接口） 培训的数据有效实现（基于内存的有效/基于内存/记录的） 能够在经典机器学习方法中使用数据集集成 神经网络的培训，分类和指标集成 胶囊网络和神经网络的示例实现 基于CPU / GPU / TPU（进行中）的培训 基于GAN的数据增强器集成 交叉折叠验证支持 源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践 注意：数据集文件太

CVPR2019: Occupancy Networks: Learning 3D Reconstruction in Function Space onet_img2mesh_3-f786b04a.pt

复数域神经网络；全面解析；适合新手和小白