為什麼需要實現 l2 vpx
(1) 相對於 qos 和網路的融合
(2) l3 vpx不足
ip 的唯一支援
pe 的硬體要求
客戶對路由的控制（安全性問題）
融合網路，complete integration
l2 vpx體系結構：
control-plane：維護 pe-pe 之間的偽線，atom 的偽線是由一對 lsp 組成
data-plane：完成本地封裝與偽線封裝的轉換
同種介質接入的是 like-to-like
不同種介質接入的是 any-to-any
執行 ldp 環境，mpls 的網路技術是 atom（any transport over mpls）
執行純粹 ip 網路的網路技術是 l2tpv3（layer 2 tunnel protocol）
nsp / pep的工作過程：
nsp 用來識別偽線型別是 l2l（like-to-like） & a2a（any-to-any）
如果是like-to-like，客戶過來的資料幀要去除
如果是any-to-any，客戶過來的資料幀要去除偽線配置中所規定的資訊之外的資料封裝進偽線（不會探測客戶資訊）
mtu 在 l2 vpx中的問題（主要原因二層資料幀不能分片）
eompls 標籤開銷：
核心 mtu >= 邊緣mtu + 傳輸首部 + atom 首部及控制字大小 + 標籤大小
邊緣 mtu 是 pe 面向 ce 介面所配置的 mtu
傳輸首部：埠模式是 14 byte / vlan 模式是 18 byte
最大傳輸標準以太幀大小 = 1500 - 4 - 4 - 14（二層資訊）
最大傳輸 dot1q 以太幀大小 = 1500 - 4 - 4 - 18（比標準以太幀多 4 byte 的 vlan 資訊）
wan protocol over mpls
hdlcompls
pppompls
frompls
atmompls
ethernet over mpls=eompls
統稱atom
L1 L2損失 和 L1 L2正則化
1 l1損失 最小絕對值誤差 最小化 值 真實值 的絕對值，魯棒性強。2 l2損失 最小平方誤差 最小化 值 真實值 的平方，對於大於1的數，平方更大，因此對樣本敏感。3 l1正則化 l1正則化和l2正則化可以看做是損失函式的懲罰項，l1正則化是指權值向量中各個元素的絕對值之和。l1正則化可以產生稀...
面試L0,L1,L2範數
在深度學習中，監督類學習問題其實就是在規則化引數同時最小化誤差。最小化誤差目的是讓模型擬合訓練資料，而規則化引數的目的是防止模型過分擬合訓練資料。引數太多，會導致模型複雜度上公升，容易過擬合，也就是訓練誤差小，測試誤差大。因此，我們需要保證模型足夠簡單，並在此基礎上訓練誤差小，這樣訓練得到的引數才能...
L1 L2範數 概念
向量的範數可以簡單形象的理解為向量的長度，或者向量到零點的距離，或者相應的兩個點之間的距離。向量的範數定義 向量的範數是乙個函式 x 滿足非負性 x 0，齊次性 cx c x 三角不等式 x y x y 常用的向量的範數 l0範數 x 0為x向量各個非零元素的個數 l1範數 x 1 為x向量各個元素...