LIDC-IDRI数据集切割代码教程【pylidc库】
数据集:
通过网盘分享的文件:LIDC
链接: 百度网盘 请输入提取码 提取码: ywb8
代码:
通过网盘分享的文件:LIDC-IDRI-Preprocessing.rar
链接: 百度网盘 请输入提取码 提取码: b1za
【代码里的部分数据就不删了,方便你们照着放】
一、如何运行
1.输入
把数据集放到这个位置:
运行这个文件:
2.输出
下面文件夹里就是要的,clean文件里是过滤掉的
为方便模型分割我改成输出png格式的了,如果需要npy格式的自己改一下输出格式,复制给ai让ai改
在这里也有npy转png的工具类
二、原理和流程
核心文件
1.读取数据【把一个病人的肺部CT组合成3D图像】
- 医院CT扫描后,一位病人的一整个肺部扫描,通常是几十上百张单独的 DICOM 文件。
- 每一张DICOM相当于是一张灰度图片,比如 512x512 pixels。
- 同一个病人的多张图片,沿着Z轴叠加,组成一个3D体积(Volume)。
每张DICOM除了图像,还有重要的元数据,比如:
- Slice位置(在身体的哪个位置)
- Pixel Spacing(像素大小,毫米)
- Slice Thickness(切片厚度,毫米)
- 这些元数据会影响图像在3D空间的实际物理大小。
把每个病人的 CT 扫描(DICOM文件)加载成一个3D体积数组, ,即 (height, width, slices)
这样的 numpy array。
让后续处理可以直接基于体素( 在三维医学影像里,一个小立方体就是一个体素 )操作,而不是一张张2D图片
pylidc.Scan.to_volume() ——>自动帮你把同一病人的多张 DICOM 按照 slice 位置组合成 3D Volume。
pylidc已经帮你处理了像素间距(pixel_spacing)、切片厚度(slice_thickness)的问题,所以可以直接拿来用。
2.获取结节标记【把不同医生标注的同一个结节聚集、放到一起】
读取医生的手绘结节区域,有些病人的一个结节可能有 多位医生各自独立标注。
scan.cluster_annotations()
➔ pylidc的这个函数会自动根据医生的标注,把不同医生标的 同一个结节聚合(clustering) ,形成一个结节簇 (nodule cluster)。
- 聚合之后,每个 "nodule cluster" 里面包含了1~4个医生给的单独mask。
- 不同医生的标注大小、形状、位置会有细微差异。
3. 结节融合【生成共识掩膜、把上面放到一起的意见生成一个】
把多个医生的标注融合成一张最终的掩膜(mask), 不是简单取平均,而是根据设定的置信度(confidence_level),来决定哪些地方算是结节。
pylidc.utils.consensus()
➔ 这个函数内部会对所有医生的mask叠加,然后根据设定的置信度,比如 0.5,选取至少有一半医生认为是结节的区域。
小细节
- padding 参数:扩展边界一点点,保证感兴趣区域 (ROI) 裁剪时不会把重要信息截断。
- 有时候也能防止小结节被裁掉。
4. 小块裁剪(提取ROI) 【把肺上的结节裁出来】
- 只取出 包含结节的小立方体区域。
- 不用处理整个大肺部Volume,加快后续处理速度,同时专注于结节本身。
直接索引裁剪 numpy 3D array:volume[cbbox]
, cbbox是 consensus 给出的bounding box,确定了x, y, z范围。 这样裁剪出来的3D小块,里面的像素就是肺部的一部分+结节。
5. 插值补齐(统一切片数量) ——可以在这里改变你想要的数量
有的裁剪块厚,有的薄,为了训练深度学习,需要统一每个样本的切片数(例如统一到120片)。如果原本切片数不够,就做插值上采样。
scipy.ndimage.zoom()
➔ 对第三个维度(z轴)做缩放插值。
- 插值后要确保最终切片数恰好是目标值(如120 slice)。
- 这里用的是线性插值 (order=1),平滑过渡,不会产生噪点。
6. 遍历切片(过滤小面积掩膜)
每一片切片都单独检查:
- 如果当前mask面积太小(比如很少像素是结节区域),就跳过这张片。
- 这样避免保存很多无意义的图片。
判断掩膜面积:np.sum(mask[:, :, slice_idx])
, 阈值来自 config 文件里的 mask_threshold
参数。
这样可以大大减少无效样本,提升训练时数据质量。
7. 肺部分割(清理背景)【去除所有非肺部区域、 如气管、肺外的组织等】
把CT切片上除了肺以外的部分(比如骨骼、气管)剔除,只留下纯净的肺部区域。
segment_lung()
函数(项目自带的)
- 典型实现是:
-
- 用
K-Means
聚类找出低密度的肺部。 - 形态学操作(如闭运算)连通肺部区域。
- 再用 largest connected component 提取左右肺叶。
- 用
1. 聚类算法:无监督学习算法、根据数据点之间的相似性来将其分组
2. K-Means: 一种聚类算法、 用于将数据分成多个类别(或簇)
将数据中的样本点分配到预定数量的簇中,使得簇内的样本点相似度尽可能高,而簇之间的样本点相似度尽可能低。
a. K-Means 算法的工作原理:
- 初始化:选择 K 个初始簇的中心(通常随机选择 K 个点)。
- 分配:将每个数据点分配到离它最近的簇中心。
- 更新:计算每个簇的平均值,并将这个平均值作为新的簇中心。
- 迭代:重复步骤 2 和 3,直到簇中心不再变化,或者变化非常小,达到收敛条件。
b. K-Means 算法应用在肺部分割中的作用:
- 我们可以将这些点分成两个簇,一个簇表示肺部的低密度区域,另一个簇表示高密度区域(如骨骼)
- 低密度区域(肺部)会被分到一个簇中。——我们要的
- 高密度区域(骨骼、血管等)会被分到另一个簇中。
3. 形态学操作:处理图像中形状的方法
更简单举个例子
想象一张黑白图片:
- 白色代表肺部
- 黑色代表背景
但这张图可能:
- 有很多小白点噪声(误判成肺)
- 肺部有小黑洞(断开的地方)
这个时候,
- 形态学操作可以帮我们"修修补补",
让真正的肺叶连起来,让错误的小噪声消失掉。
就像是在清洗、修整一张地图,让肺部轮廓干净漂亮。
常见四种形态学操作
操作 | 直白解释 | 用在哪 |
腐蚀 (Erosion) | 白色区域缩小、收缩,小白点会被吃掉 | 去掉小的噪声点 |
膨胀 (Dilation) | 白色区域变大、扩张,小洞被补起来 | 连通断开的部分 |
开运算 (Opening) | 腐蚀 + 膨胀 | 清理小白点,但不影响大块肺部 |
闭运算 (Closing) | 膨胀 + 腐蚀 | 填补小黑洞,连接断裂的肺叶 |
腐蚀:用一个5X5的滑动窗口扫描,如果周围都是0,那就把中间这个像素填成0
用 K-Means 聚类找出低密度的肺部+ 形态学操作(如闭运算)连通肺部区域可以减少模型搜索的60%空间:
- 肺只占整幅CT的约30%~40%,剩下的60%~70%都是没用的背景、骨头——> 感兴趣区域
- 跳过背景噪声
传统的方法是: 灰度阈值分割——>肺部分割精度差,边界不平滑、无法处理复杂区域(气管、血管等)和小结节。
(原始的肺部区域体积-优化后的区域体积)/原始肺部区域体积X100%=减少的模型搜索空间
8. 保存图像(肺部切片 + 掩膜)
- 把分割好的单张切片(肺部图像)和对应的掩膜(mask)分别保存为 PNG 文件。
- 每个病人有单独的文件夹,按slice编号存。
matplotlib.pyplot.imshow()
+savefig()
- 保存时关掉坐标轴(
axis('off')
),并去除白边(bbox_inches='tight', pad_inches=0
)。 - 保存一张图后用
plt.clf()
清空画布,防止内存泄漏。
9. 保存Meta信息表
- 记录每一张图片的元数据(病人ID、结节编号、切片编号、图像文件名、掩膜文件名、恶性程度、是否癌症、是否是干净片)
- 最后把所有记录保存成CSV表格,供训练/验证时检索。
- 是否癌症、是否清洁图(
is_cancer
,is_clean
)也是直接存在meta里面,免得推理时重复计算。
相关文章:
LIDC-IDRI数据集切割代码教程【pylidc库】
数据集: 通过网盘分享的文件:LIDC 链接: 百度网盘 请输入提取码 提取码: ywb8 代码: 通过网盘分享的文件:LIDC-IDRI-Preprocessing.rar 链接: 百度网盘 请输入提取码 提取码: b1za 【代码里的部分数据就不删了,方…...
Java数据结构——Stack
Stack 栈的概念和使用栈的概念栈的使用 栈的应用出栈元素序列有效的括号栈的压入、弹出序列逆波兰表达式最小栈 栈的概念和使用 栈的概念 栈(Stack):一种特殊的线性表,只允许再栈的一端进行插入和删除元素,这一端点被称为栈顶,另…...
SMT贴片加工费控制与优化实践指南
内容概要 SMT贴片加工费的控制与优化需建立在对成本结构的系统性认知基础上。本节从物料采购、设备运行、工艺参数三大维度切入,结合BOM清单管理、钢网使用规范等实操环节,构建覆盖全流程的降本增效框架。以下表格列举了SMT加工成本的典型构成要素及其占…...
Eclipse 插件开发 4 工具栏
Eclipse 插件开发 4 工具栏 1 增加工具(push)2 增加工具(toggle)3 增加工具(radio) 位置locationURI备注菜单栏menu:org.eclipse.ui.main.menu添加到传统菜单工具栏toolbar:org.eclipse.ui.main.toolbar添加到工具栏 style 值含义显示效果push普通按钮(默认&#x…...
Dify中的文本分词处理技术详解
Dify中的文本分词处理技术详解 引言核心架构概览索引处理器工厂 文本分词技术详解基础分词器增强型递归字符分词器固定分隔符文本分词器递归分割算法 索引处理器中的分词应用特殊索引处理器的分词特点问答索引处理器父子索引处理器 分词技术的应用场景技术亮点与优势总结 引言 …...
Linux之netlink(2)libnl使用介绍(1)
Linux之netlink(2)Libnl3使用介绍(1) Author:Onceday Date:2025年4月26日 漫漫长路,才刚刚开始… 全系列文章可查看专栏: Linux内核知识_Once-Day的博客-CSDN博客 本文翻译自libnl3官方文档:Netlink Library (libnl) 参考文档…...
【2025 最新前沿 MCP 教程 04】通信渠道:理解 MCP 传输机制
文章目录 1. 开始啦!2. 本地集成与标准输入输出(stdio)3. 通过 HTTP 实现 SSE(服务器发送事件)的远程通信4. 展望未来:向可流式 HTTP 的过渡 1. 开始啦! 在第三章中,我们解析了模型…...
Qt Charts 绘制曲线图示例
Qt Charts 绘制曲线图示例 Qt Charts 是 Qt 的图表模块,可用于绘制折线图、曲线图等。以下是实现步骤: 1. 配置项目文件 在 .pro 文件中添加 Charts 模块: QT charts2. 创建基础图表 #include <QtCharts>// 创建图表视图和图表对…...
统计学_一元线性回归知识点梳理
1 变量间关系的度量 1.1 变量间的关系 (1)相关关系:变量之间是不确定的数量关系,比如农作物产量和施肥量的关系。(2)函数关系:变量之间是一一确定的对应的关系,y 完全依赖于 x。 …...
【计算机视觉】CV项目实战- 深度解析TorchVision_Maskrcnn:基于PyTorch的实例分割实战指南
深度解析TorchVision_Maskrcnn:基于PyTorch的实例分割实战指南 技术背景与核心原理Mask R-CNN架构解析项目特点 完整实战流程环境准备硬件要求软件依赖 数据准备与标注1. 图像采集2. 数据标注3. 数据格式转换 模型构建与训练1. 模型初始化2. 数据加载器配置3. 训练优…...
数据分析岗位-相关知识
数据分析岗位 1.大数据2.业务(朴素理念) 1.大数据 数据流向 :MySQL等传统业务数据(结构、半结构、非结构) → ETL → 数据仓库 / 数据计算 → BI(BI也提供计算能力) sequenceDiagramMySQL->…...
使用 Truffle 和 Ganache 搭建本地以太坊开发环境并部署一个简单智能合约
使用 Truffle 和 Ganache 搭建本地以太坊开发环境并部署一个简单智能合约的详细步骤: 一、环境搭建 安装 Node.js 和 npm Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行时环境,npm 是 Node.js 的包管理器。可以从 Node.js 官方网站下载安装程序…...
Set的学习
1. Set是继承自Collection的一个接口类 2. Set中只存储了key,并且要求key一定要唯一 3. TreeSet的底层是使用Map来实现的,其使用key与Object的一个默认对象作为键值对插入到Map中的 4. Set最大的功能就是对集合中的元素进行去重 5. 实现Set接口的常用…...
Python爬虫实战:获取高考资源网各学科精品复习资料
一、引言 高考资源网拥有丰富的高考复习资料,对于我们而言,获取这些资源并整理分享能为考生提供有价值的帮助。然而,手动从网站查找和下载资源效率低且易出错。利用 Python 爬虫技术可实现自动化资源获取,提高工作效率。但在爬取过程中,需考虑网站反爬机制,采取相应措施…...
Linux下编译并打包MNN项目迁移至其他设备
1. 构建项目结构 该项目是利用MNN框架对MTCNN网络进行推理,实现对目标的实时检测 运行环境:Linux 相关库:opencv,MNN 先给出项目的总体结构,如下: mtcnn_mnn/ ├── include/ │ ├── opencv2/ …...
WPF框架中异步、多线程、高性能、零拷贝技术的应用示例
WPF框架中异步、多线程、高性能与零拷贝技术应用示例 一、异步编程在WPF中的应用 1. 异步数据加载(避免UI冻结) // ViewModel中的异步数据加载示例 public class MainViewModel : INotifyPropertyChanged {private ObservableCollection<string> _items;public Obse…...
SpringBoot实现的后端开发
目录 一、设计阶段 1.设计ER图 2.创建数据库表 二、项目环境搭建 1.创建项目 2.在pom.xml中添加依赖 3.配置数据库连接 4.状态码的封装 5.开发自定义异常 6.密码加密 7.规范时间格式展示 8.添加Guava本地缓存 9.JWT 三、构建项目开发 1.创建项目结构 2.开发实…...
IntelliJ IDEA修改实体类成员变量的名称(引入了该实体类的全部文件也会自动更新变量的名称)
文章目录 1. 问题引入2. 修改实体类成员变量的名称2.1 鼠标双击要修改的变量2.2 按下SHIFT F6快捷键 更多 IntelliJ IDEA 的使用技巧可以查看 IntelliJ IDEA 专栏: IntelliJ IDEA 1. 问题引入 在使用IntelliJ IDEA开发项目时,你是否遇到过以下难题 需…...
Weaviate使用入门:从零搭建向量数据库的完整指南
一、Weaviate简介与核心优势 Weaviate是一款开源向量搜索引擎,专为存储和检索高维向量数据设计,支持文本、图像等多种媒体类型。其核心功能包括语义搜索、问答提取、分类等,具备以下独特优势: 低延迟:毫秒级响应时间…...
element ui el-col的高度不一致导致换行
问题:ell-col的高度不一致导致换行,刷新后审查el-col的高度一致 我这边是el-col写的span超过了24,自行换行,测试发现初次进入里面的高度渲染的不一致,有的是51px有的是51.5px 问题原因分析 Flex布局换行机制 Elemen…...
Windows 安装 MongoDB 教程
Windows 安装 MongoDB 教程 MongoDB 是一个开源的 NoSQL 数据库,它使用文档存储模型而不是传统的关系表格。它非常适合需要处理大量数据并且需要高性能、可扩展性的应用场景。下面是如何在 Windows 系统上安装 MongoDB 的详细步骤。 一、准备工作 确保你的 Windo…...
23种设计模式-行为型模式之观察者模式(Java版本)
Java 观察者模式(Observer Pattern)详解 🧠 什么是观察者模式? 观察者模式是一种行为型设计模式,定义对象之间的一种一对多的依赖关系,使得每当一个对象状态发生变化时,所有依赖它的对象都会得…...
从“拼凑”到“构建”:大语言模型系统设计指南!
你有没有试过在没有说明书的情况下组装宜家家具?那种手忙脚乱却又充满期待的感觉,和设计大语言模型(LLM)系统时如出一辙。如果没有一个清晰的计划,很容易陷入混乱。我曾经也一头扎进去,满心期待却又手足无措,被网上那些复杂的架构图搞得晕头转向。于是,我坐下来,把它们…...
云原生--核心组件-容器篇-3-Docker三大核心之--镜像
1、定义与作用 定义: Docker镜像是一个只读的模板,包含运行应用程序所需的所有内容,包括代码、依赖库、环境变量、配置文件等。简单来说,Docker镜像是一个轻量级、独立、可执行的软件包,它包含了运行某个软件所需的所有…...
在QML中获取当前时间、IP和位置(基于网络请求)
目录 引言相关阅读最终效果代码详解1. 基础框架与窗口设置2. IP定位功能实现3. IP获取功能4. 时间更新与应用初始化5. 用户界面布局 总结工程下载 引言 在本文中,我们将探讨如何使用Qt Quick构建一个简单的系统信息显示应用。该应用能够获取当前系统时间、IP地址以…...
Nuxt3中使用UnoCSS指南
Nuxt3中使用UnoCSS指南 UnoCSS是一个高度可定制的、原子化CSS引擎,可以轻松集成到Nuxt3项目中。下面介绍如何在Nuxt3中安装和配置UnoCSS。 安装步骤 安装UnoCSS的Nuxt模块: # 使用pnpm pnpm add -D unocss unocss/nuxt# 使用yarn yarn add -D unocss…...
【计算机网络】TCP的四种拥塞控制算法
TCP(传输控制协议)是互联网协议套件中用于在网络中两个主机之间提供可靠、有序和错误检测数据传输的协议。TCP使用拥塞控制机制来避免网络拥塞,确保网络资源的有效利用。以下是TCP中常见的四种拥塞控制算法: 慢启动(S…...
WebAssembly全栈革命:在Rust与JavaScript之间构建高性能桥梁
一、WASM的全栈渗透图谱 1. 性能临界点的突破 // Rust实现的斐波那契计算 #[wasm_bindgen] pub fn wasm_fib(n: i32) -> i32 {match n {0 > 0,1 > 1,_ > wasm_fib(n-1) wasm_fib(n-2)} }// JavaScript等效实现对比 console.time(js); jsFib(40); // 1024ms cons…...
深度理解linux系统—— 了解操作系统
一、冯诺依曼体系结构 现在我们常见的计算机(笔记本电脑等)和不常见的计算机(服务器)它们都满足冯诺依曼体系。 我们可以把计算机理解成一个个硬件组成的 输入设备:键盘、鼠标、摄像头、网卡、磁盘等输出设备…...
【fork初体验】
文章目录 Linux 实验:深入理解 fork 系统调用一、实验目的二、实验环境三、实验内容与步骤(一)打印进程的进程 ID 和父进程 ID1. 编写程序2. 编译与运行3. 运行结果 (二)使用 fork 系统调用创建进程并加入循环语句1. 编…...
区块链VS传统数据库:金融数据存储的“信任”与“效率”博弈
在金融行业数字化转型的浪潮中,数据存储技术选型已成为核心议题。区块链技术凭借其去中心化、不可篡改等特性强势崛起,而传统数据库(如关系型数据库MySQL、分布式数据库)凭借成熟生态和高效性能仍占据主导地位。如何在两者之间做出…...
Linux渗透测试
Linux渗透测试 比赛题库-Linux渗透测试 文章目录 Linux渗透测试比赛题库-Linux渗透测试 前言一、解题过程1.通过本地PC中渗透测试平台Kali对靶机场景进行系统服务及版本扫描渗透测试,并将该操作显示结果中Apache服务对应的版本信息字符串作为Flag值提交;…...
ORA-02069错误排查实录:从 Database Link 到 Global Names 的陷阱
文章目录 错误重现根因解决方案1.设置GLOBAL_NAMEStrue2.全部业务逻辑放在在远端执行 在日常的 Oracle 数据同步任务中,我们经常透过 Database Link(DBLink) 进行跨数据库查询与写入。某日,我们在执行一段 INSERT INTO … SELECT …...
【CF闯关练习】—— 1200分
🌏博客主页:PH_modest的博客主页 🚩当前专栏:cf闯关练习 💌其他专栏: 🔴每日一题 🟡 C跬步积累 🟢 C语言跬步积累 🌈座右铭:广积粮,缓…...
正则表达式三剑客之——grep和sed
目录 一.grep 1.1定义 1.2核心功能 1.3基本语法 1.4常用选项 二.sed 2.1 定义 2.2 工作原理 2.3 基本语法 2.3.1常用选项 2.3.2sed自身脚本语法 1. 基本组成 2. 地址 3. 命令 2.3.3 sed替换查找 1 基本语法 2.sed替换查找的实例 3.分组后向引用 4 变量调…...
i18n-ai-translate开源程序,可以使用DeepSeek等模型将您的 i18nJSON翻译成任何语言
一、软件介绍 文末提供程序和源码下载 i18n-ai-translate开源程序使用 DeepSeek等模型可以将您的 i18n JSON 翻译成任何语言。 无缝翻译本地化文件。支持嵌套翻译文件的目录。需要i18next样式的JSON 文件(文末一并提供下载)。 二、模式 CSV 模式 三个…...
关于Android Studio的Gradle各项配置
Gradle 构建概览 Android 应用通常使用 Gradle 构建系统构建。在深入了解如何配置 build 之前,我们先来探索 build 背后的概念,以便您全面了解系统。 什么是 build? 构建系统会将源代码转换为可执行应用。构建通常涉及多个工具,用…...
数据安全和合规性市场分析
一、什么是数据安全和合规性 在数据安全和合规性方面,存在着一系列重要的法律、法规和行业标准,这些规定了组织如何收集、存储、处理和保护个人数据及其他敏感信息。企业之所以要遵守这些规定,是出于多方面的考量,既有法律责任&a…...
venv环境基础指令以及常见问题汇总(持续更新)
常见指令 在 Python 原生虚拟环境(venv) 中,没有直接列出所有虚拟环境的命令(因为 venv 不像 Conda 那样有集中管理机制),但可以通过 文件操作 或 脚本 实现类似功能。以下是常用命令和技巧: &…...
思科路由器重分发(RIP动态路由+静态路由)
路由器重分发(RIP动态路由静态路由) 静态路由不能作翻译官 RIP需要宣告自己的ip;还需要帮静态路由也宣告一下开启端口并配置IP地址 RIP路由 Router>en Router#conf t Router(config)#int g0/0 Router(config-if)#no shutdown Router(c…...
产销协同的作用是什么?又如何对各部门发挥作用?
目录 一、产销协同的对象有哪些? 1. 客户需求 2. 市场趋势 3. 供应链伙伴 4. 企业战略目标 二、产销协同的作用是什么? 1. 提高客户满意度 2. 降低企业成本 3. 增强市场竞争力 4. 优化资源配置 三、产销协同对各部门怎么发挥作用?…...
19.【.NET 8 实战--孢子记账--从单体到微服务--转向微服务】--单体转微服务--当前项目拆分规划
随着业务规模的不断扩大和系统复杂度的提升,孢子记账系统需要进行微服务架构的转型。本文将详细规划从单体应用向微服务架构迁移的具体方案,包括功能模块分析、服务拆分、技术选型以及实施步骤等内容。通过合理的服务拆分和架构设计,未来我们…...
JFLAP SOFTWARE 编译原理用(自动机绘图)
csdn全是蛆虫,2mb的软件,都在那里搞收费,我就看不惯,我就放出来,那咋了!!! https://pan.baidu.com/s/1IuEfHScynjCCUF5ScF26KA 通过网盘分享的文件:JFLAP7.1.jar 链接: h…...
从 Vue 到 React:React 合成事件
目录 一、什么是 React 合成事件?二、处理流程React 事件系统的大致流程和 Vue 3 的区别 三、用法示例四、SyntheticEvent 的特点五、为什么 React 要统一事件到根节点?1.减少事件监听器数量2. 简化事件解绑逻辑3. 保证一致的行为 六、React 18 后事件系…...
react的fiber 用法
在 React 里,Fiber 是 React 16.x 及后续版本采用的协调算法,它把渲染工作分割成多个小任务,让 React 可以在渲染过程中暂停、恢复和复用任务,以此提升渲染性能与响应能力。在实际开发中,你无需直接操作 Fiber 节点&am…...
深度学习-学习笔记
文章目录 1、概述2、学习笔记2.1、pytorch 的环境配置 1、概述 本篇博客用来记录我学习深度学习的学习笔记 参考视频:PyTorch深度学习快速入门教程 PyTorch 是一个开源的机器学习框架,主要用于构建和训练深度学习模型。 2、学习笔记 2.1、pytorch 的环…...
[创业之路-390]:人力资源 - 社会性生命系统的解构与重构:人的角色嬗变与组织进化论
前言: 人、财、物、信息、机制、流程、制度、方法共同组合了一个持续的消耗资源、持续的价值创造、持续面临生存与发展、遗传与变异的社会性生命系统。 "人"是所有社会性生命系统最最基础性的要素,它弥漫在系统中多维立体空间的不同节点上&am…...
Redis常见面试题——List对象
当然可以!这里我帮你整理了一份【Redis中 List 结构】相关的高频面试题,并附上简明回答: 📚 Redis List 结构面试题(高频总结版) 1. Redis 中的 List 是什么?底层是什么实现的? 答&…...
案例速成GO操作redis,个人笔记
更多个人笔记:(仅供参考,非盈利) gitee: https://gitee.com/harryhack/it_note github: https://github.com/ZHLOVEYY/IT_note 安装redis客户端:go get github.com/redis/go-redis/v9 注意go …...
什么是WebSocket?NGINX如何支持WebSocket协议?
大家好,我是锋哥。今天分享关于【什么是WebSocket?NGINX如何支持WebSocket协议?】面试题。希望对大家有帮助; 什么是WebSocket?NGINX如何支持WebSocket协议? 1000道 互联网大厂Java工程师 精选面试题-Java…...