实验三-20222314陈振烨 Socket编程

落影_ 2023-06-07 19:00:34

20222314 陈振烨《Python程序设计》实验三报告

课程:《Python程序设计》
班级: 2223
姓名: 吴昊宇
学号:20222314
实验教师:王志强
实验日期:2023年4月20日
必修/选修: 公选课

1.实验内容

创建服务端和客户端,服务端在特定端口监听多个客户请求。客户端和服务端通过Socket套接字(TCP/UDP)进行通信。

2. 实验过程及结果

#客户端
import socket

# 创建套接字对象,AF_INET基于TCP/UDP通信,SOCK_STREAM以数据流的形式传输数据,这里就可以确定是TCP了
server = socket.socket(family=socket.AF_INET,type=socket.SOCK_STREAM)

# 绑定ip地址和端口,127.0.0.1代表回环地址,只能当前计算机访问
server.bind(('127.0.0.1',8080))

# 建立半链接池,允许存放5个请求
server.listen(5)

# 等待建立连接请求,会返回两个值,一个是连接会话,一个是连接的客户端IP与端口
conn,ip_addr = server.accept()

while True:
    # 接收客户端传递的数据,不能超过1024字节
    res = conn.recv(1024)

    # 将客户端的数据接收到以后,转换成大写再编码后发送给客户端
    conn.send(res.decode('utf-8').upper().encode('utf-8'))

    # 注意:close不能放在这里面,因为在这里面的话,只能一次后就关闭了

# 关闭与客户端的连接
conn.close()

# 关闭套接字
server.close()

 

#客户端
import socket

# 创建套接字对象,AF_INET基于TCP/UDP通信,SOCK_STREAM以数据流的形式传输数据,这里就可以确定是TCP了
client = socket.socket(family=socket.AF_INET,type=socket.SOCK_STREAM)

# 连接服务端
client.connect(('127.0.0.1',8080))

while True:
    inp = input('>>>:').strip()
    # 向服务端发送数据,需要转换成Bytes类型发送
    client.send(inp.encode('utf-8'))

    # 接收服务端回应给客户端的数据,不能超过1024字节
    res = client.recv(1024)

    print(res.decode('utf-8'))

# 套接字关闭
client.close()

运行结果:

先启动服务端

再启动客户端

 思考与反思:

    刚开始我并没有采用127.0.0.1来作为链接端口,而是采用了我电脑的ip(之前尝试过使用同学的ip,但是需要防火墙关闭,就没让我南京的同学以为我号被盗了是骗子说啥也不信,就没继续操作下去),但是仍然出现了拒绝链接的反馈,我使用nmap扫描了自己的端口,并没有问题,防火墙我也关了,至于为什么不行我还是没搞清楚,可能是因为权限不够?需要root权限?我还是不懂,这也是我本次试验的遗憾。当然,换成127.0.0.1(默认连自己)之后就可以了,也不需要做什么开防火墙权限和自定义可接受协议之类的杂活

感悟:socket其实并不是一门只能基于python的通信方式,它可以依赖于大多数语言,以后希望有机会可以实现更多的通信项目,加强自己对于通信领域的理解(虽然我不是通信专业的哈哈哈)

 

...全文
664 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文系统介绍了基于LlamaFactory框架对大语言模型Qwen3-1.7B进行LoRA微调以实现商品十分类任务的完整流程,涵盖环境搭建、数据预处理、模型微调、性能评估与Badcase分析,以及使用vLLM进行推理加速部署的全过程。通过DeepSpeed技术实现训练加速,并结合实际分类效果进行准确率分析,将模型原始准确率从59.6%提升至91.3%,显著优化分类表现。同时针对低召回率类别(如冷藏即饮果汁)开展Badcase分析,定位训练数据不足问题并提出增量训练改进方案。最后通过vLLM部署实现推理性能大幅提升,批处理时间由54秒缩短至22秒。; 适合人群:具备一定深度学习与自然语言处理基础,熟悉Python编程和Linux环境,从事AI算法研发或模型优化工作的工程师及研究人员,尤其适合有大模型微调与部署需求的从业者; 使用场景及目标:①掌握基于LoRA的大模型高效微调方法;②学习如何利用DeepSpeed加速训练过程;③提升分类任务准确率与召回率的调优策略;④实现高性能推理部署与端到端模型优化闭环; 阅读建议:建议结合代码实践操作,重点关注数据构造、参数配置、Badcase分析与推理部署环节,深入理解微调机制与性能瓶颈优化思路,配合日志与评估指标迭代改进模型。

144

社区成员

发帖
与我相关
我的任务
社区描述
开展Python教学和技术交流
python 高校 北京·丰台区
社区管理员
  • blackwall0321
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧