### 不同网络模型及其应用场景 #### 点对点网络 (P2P Network) 点对点网络是一种分布式架构，在这种结构下，每个节点既是客户端也是服务器。这类网络允许参与者直接共享文件和服务而无需通过中央服务器。 - **描述**: 节点之间可以直接通信而不依赖于中心化的控制实体。 - **应用场景**: 文件分享平台、区块链技术实现去中心化货币交易系统等[^1]。 ```python # P2P File Sharing Example def share_file_between_peers(peer_a, peer_b): """ Directly shares a file between two peers without using a central server. :param peer_a: The first peer node :param peer_b: The second peer node """ connection = establish_direct_connection(peer_a, peer_b) transfer_data(connection, "example.txt") ``` #### 客户端-服务器网络 (Client-Server Network) 在这种模式中，存在一个或多个提供资源和服务的服务器以及许多请求这些资源的客户机。它是最常见的互联网工作方式之一。 - **描述**: 数据传输通常是从客户端发起并指向特定的服务端口；服务端负责处理来自不同客户的请求并向它们返回所需的信息。 - **应用场景**: Web浏览、电子邮件收发、在线游戏托管等[^2]。 ```python # Client-Server Communication Example import socket server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM) server_address = ('localhost', 8080) server_socket.bind(server_address) server_socket.listen(5) while True: client_conn, addr = server_socket.accept() data = receive_data(client_conn) process_request(data) send_response(client_conn, generate_response()) ``` #### 变压器模型（Transformer Model） 变压器模型不是传统意义上的计算机网络拓扑，而是机器学习领域的一种神经网络架构。然而，当涉及到自然语言处理任务时，可以将其视为一种特殊的“信息流动”网络。 - **描述**: 使用自注意力机制来捕捉输入序列内部的关系，并利用编码器解码器框架来进行诸如翻译之类的任务。 - **应用场景**: 自然语言理解(NLU)，文本摘要生成，聊天机器人对话管理等[^3]。 ```python from transformers import BertTokenizer, TFBertModel tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') model = TFBertModel.from_pretrained('bert-base-uncased') inputs = tokenizer("Hello world!", return_tensors="tf") outputs = model(inputs) last_hidden_states = outputs.last_hidden_state ```