[Day 20] 區塊鏈與人工智能的聯動應用:理論、技術與實踐
AI在醫療領域的創新應用
隨著科技的快速發展,人工智能(AI)在各行各業的應用越來越廣泛,醫療領域也不例外。AI技術在醫療中的應用不僅提高了診斷的準確性,還改善了病患的治療效果,優化了醫療資源的配置。本篇文章將詳細探討AI在醫療領域的創新應用,並通過代碼實例展示其實際應用。
1. 醫療影像診斷
醫療影像診斷是AI在醫療領域最早且最為成功的應用之一。通過深度學習技術,AI可以從大量的醫療影像中自動檢測出病變區域,並進行診斷。這不僅提高了診斷的準確性,也大大減少了醫生的工作量。
代碼示例:使用卷積神經網絡(CNN)進行醫療影像分類
import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt# 載入並預處理數據
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0# 建立卷積神經網絡模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))# 添加全連接層
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))# 編譯模型
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# 訓練模型
history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))# 評估模型
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()
代碼解釋:
- 數據載入與預處理:使用CIFAR-10數據集作為示例,將圖像數據標準化到[0, 1]範圍。
- 建立模型:構建一個包含三個卷積層的卷積神經網絡,每個卷積層後面跟隨一個最大池化層。最後添加全連接層進行分類。
- 編譯模型:使用Adam優化器和交叉熵損失函數編譯模型,評估指標為準確率。
- 訓練模型:在訓練數據上訓練模型,並在驗證數據上進行評估。
- 評估模型:繪製訓練過程中的準確率變化圖。
2. 自然語言處理(NLP)在電子病歷中的應用
電子病歷(EMR)中包含了大量的非結構化數據,如醫生的診斷記錄、處方信息等。NLP技術可以從這些非結構化數據中提取有價值的信息,幫助醫生做出更準確的診斷和治療決策。
代碼示例:使用BERT模型進行醫療文本分類
from transformers import BertTokenizer, TFBertForSequenceClassification
from tensorflow.keras.optimizers import Adam# 載入BERT模型和tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)# 準備數據
sentences = ["Patient has a history of diabetes.", "No significant medical history."]
labels = [1, 0]# 將文本轉換為BERT輸入格式
input_ids = []
attention_masks = []for sent in sentences:encoded_dict = tokenizer.encode_plus(sent, # 輸入句子add_special_tokens = True, # 添加 '[CLS]' 和 '[SEP]'max_length = 64, # 補齊或截斷到64個tokenpad_to_max_length = True,return_attention_mask = True, # 返回 attention maskreturn_tensors = 'tf', # 返回 TensorFlow tensors)input_ids.append(encoded_dict['input_ids'])attention_masks.append(encoded_dict['attention_mask'])input_ids = tf.concat(input_ids, axis=0)
attention_masks = tf.concat(attention_masks, axis=0)
labels = tf.convert_to_tensor(labels)# 訓練模型
model.compile(optimizer=Adam(learning_rate=2e-5), loss='binary_crossentropy', metrics=['accuracy'])
model.fit([input_ids, attention_masks], labels, epochs=4, batch_size=2)# 預測
predictions = model.predict([input_ids, attention_masks])[0]
print(predictions)
代碼解釋:
- 載入模型和tokenizer:使用Hugging Face的Transformers庫載入BERT模型和tokenizer。
- 準備數據:將輸入的文本轉換為BERT可接受的格式,包括input_ids和attention masks。
- 編譯與訓練模型:使用Adam優化器和二元交叉熵損失函數編譯模型,並在小批量數據上訓練模型。
- 預測:使用訓練好的模型進行預測,返回每個文本的分類結果。
3. AI輔助診斷系統
AI輔助診斷系統能夠幫助醫生在診斷過程中提供參考建議。例如,AI可以根據病患的症狀、病史等信息,給出可能的診斷結果和治療方案。
代碼示例:簡單的疾病診斷系統
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import classification_report# 假設有一個包含病人信息和診斷結果的數據集
import pandas as pd
data = pd.read_csv('medical_data.csv') # 示例數據# 特徵和標籤
X = data.drop('diagnosis', axis=1) # 假設'diagnosis'是標籤
y = data['diagnosis']# 分割數據
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 標準化數據
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)# 建立並訓練神經網絡
mlp = MLPClassifier(hidden_layer_sizes=(100,), max_iter=300, alpha=0.01, solver='adam', random_state=42)
mlp.fit(X_train, y_train)# 預測與評估
y_pred = mlp.predict(X_test)
print(classification_report(y_test, y_pred))
代碼解釋:
- 數據載入:載入包含病人信息和診斷結果的數據集。
- 特徵和標籤:將數據集分為特徵和標籤。
- 分割數據:將數據集分為訓練集和測試集。
- 標準化數據:對數據進行標準化處理,以提高模型的收斂速度和準確性。
- 建立並訓練模型:建立一個多層感知機(MLP)神經網絡模型,並在訓練數據上進行訓練。
- 預測與評估:在測試數據上進行預測,並輸出分類報告以評估模型性能。
4. 個性化醫療
個性化醫療是基於每個病人的基因組、環境和生活方式等信息,制定個體化的治療方案。AI可以通過分析大量的個人數據,找到最佳的治療方案,從而提高治療效果。
代碼示例:使用隨機森林進行基因數據分析
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score# 假設有一個包含基因數據和治療效果的數據集
genetic_data = pd.read_csv('genetic_data.csv') # 示例數據# 特徵和標籤
X = genetic_data.drop('treatment_outcome', axis=1) # 假設'treatment_outcome'是標籤
y = genetic_data['treatment_outcome']# 分割數據
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 建立並訓練隨機森林模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)# 預測與評估
y_pred = rf.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
代碼解釋:
- 數據載入:載入包含基因數據和治療效果的數據集。
- 特徵和標籤:將數據集分為特徵和標籤。
- 分割數據:將數據集分為訓練集和測試集。
- 建立並訓練模型:建立一個隨機森林模型,並在訓練數據上進行訓練。
- 預測與評估:在測試數據上進行預測,並計算準確率以評估模型性能。
結論
AI在醫療領域的應用為醫療行業帶來了革命性的變革。從醫療影像診斷到個性化醫療,AI技術在提升診斷準確性、改善治療效果和優化醫療資源配置方面發揮了重要作用。隨著技術的不斷進步,AI在醫療中的應用將變得更加廣泛和深入,為醫療行業帶來更多的創新和變革。
相关文章:
![](https://www.ngui.cc/images/no-images.jpg)
[Day 20] 區塊鏈與人工智能的聯動應用:理論、技術與實踐
AI在醫療領域的創新應用 隨著科技的快速發展,人工智能(AI)在各行各業的應用越來越廣泛,醫療領域也不例外。AI技術在醫療中的應用不僅提高了診斷的準確性,還改善了病患的治療效果,優化了醫療資源的配置。本…...
![](https://img-blog.csdnimg.cn/direct/691a535ffc9b4910a9d0726ec84eb934.webp#pic_center)
Handling `nil` Values in `NSDictionary` in Objective-C
Handling nil Values in NSDictionary in Objective-C When working with Objective-C, particularly when dealing with data returned from a server, it’s crucial (至关重要的) to handle nil values appropriately (适当地) to prevent unexpected crashes. Here, we ex…...
![](https://img-blog.csdnimg.cn/direct/0afb16cc3dcc402f8d1874ca79305915.png)
【深入浅出 】——【Python 字典】——【详解】
目录 1. 什么是 Python 字典? 1.1 字典的基本概念 1.2 字典的用途 1.3 字典的优势 2. 字典的基本特点 2.1 键的唯一性 2.2 可变性 2.3 无序性 3. 如何创建字典? 3.1 使用 {} 符号 3.2 使用 dict() 工厂方法 3.3 使用 fromkeys() 方法 4. 字…...
![](https://img-blog.csdnimg.cn/direct/1071ee6ca3f844b6ad5ce19bc6a97beb.png)
开发RpcProvider的发布服务(NotifyService)
1.发布服务过程 目前完成了mprpc框架项目中的以上的功能。 作为rpcprovider的使用者,也就是rpc方法的发布方 main函数如下: 首先我们init调用框架的init,然后启动一个provider,然后向provider上注册服务对象方法,即us…...
![](https://www.ngui.cc/images/no-images.jpg)
Suno: AI音乐创作的新时代
名人说:一点浩然气,千里快哉风。 ——苏轼 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder😊) 目录 一、什么是Suno?1、Suno2、应用场景二、如何使用Suno制作音乐?步骤1:注册并登录Suno平台步骤2:创建音乐项目步骤3:生成音乐片段三、Suno的影响很高兴你打开了…...
![](https://i-blog.csdnimg.cn/direct/0d60ced8a79c4d1a95687c7317c9e280.png#pic_center)
六西格玛项目实战:数据驱动,手机PCM率直线下降
在当前智能手机市场日益竞争激烈的背景下,消费者对手机质量的要求达到了前所未有的高度。PCM(可能指生产过程中的某种不良率或缺陷率)作为影响手机质量的关键因素,直接关联到消费者满意度和品牌形象。为了应对这一挑战,…...
![](https://www.ngui.cc/images/no-images.jpg)
数据结构递归(01)汉诺塔经典问题
说明:使用递归时,必须要遵守两个限制条件: 递归存在限制条件,满⾜这个限制条件时,递归不再继续; 每次递归调⽤之后越来越接近这个限制条件; 1 汉诺塔(Hanoi Tower)经典…...
![](https://img-blog.csdnimg.cn/direct/b785f25b8e5a4d179b0795836ecfc73d.png)
计算机专业课面试常见问题-计算机网络篇
目录 1. 计算机网络分为哪 5 层? 2. TCP 协议简述? 3. TCP 和 UDP 的区别?->不同的应用场景? 4. 从浏览器输入网址到显示页…...
![](https://img-blog.csdnimg.cn/direct/5d640fd6d62d481b842c6259db8b7f22.png)
HarmonyOS ArkUi ArkWeb加载不出网页问题踩坑
使用 使用还是比较简单的,直接贴代码了 别忘了配置网络权限 Entry Component struct WebPage {State isAttachController: boolean falseState url: string State title: string Prop controller: web_webview.WebviewController new web_webview.WebviewCont…...
![](https://img-blog.csdnimg.cn/img_convert/01b13c9b54a6d0541e9a4a564bc03d58.png)
微信换手机号了怎么绑定新手机号?
微信换手机号了怎么绑定新手机号? 1、在手机上找到并打开微信; 2、打开微信后,点击底部我的,并进入微信设置; 3、在微信设置账号与安全内,找到手机号并点击进入; 4、选择更换手机号,…...
![](https://img-blog.csdnimg.cn/img_convert/b99b117c4f6d6b5a9a6f4b91092f8bf8.jpeg)
64.WEB渗透测试-信息收集- WAF、框架组件识别(4)
免责声明:内容仅供学习参考,请合法利用知识,禁止进行违法犯罪活动! 内容参考于: 易锦网校会员专享课 上一个内容:63.WEB渗透测试-信息收集- WAF、框架组件识别(3)-CSDN博客 我们在…...
![](https://www.ngui.cc/images/no-images.jpg)
java.lang.LinkageError: 链接错误的正确解决方法,亲测有效,嘿嘿,有效
文章目录 问题分析报错原因解决思路解决方法(含代码示例)1. 检查类加载器2. 避免在运行时修改类定义3. 更新或修复 JVM4. 检查应用程序的依赖使用 Maven 检查依赖项使用 Gradle 检查依赖项 java.lang.LinkageError 是 Java 虚拟机在尝试链接类定义时发生…...
![](https://www.ngui.cc/images/no-images.jpg)
python最基础
基本的类 python最基础、最常用的类主要有int整形,float浮点型,str字符串,list列表,dict字典,set集合,tuple元组等等。int整形、float浮点型一般用于给变量赋值,tuple元组属于不可变对象&#…...
![](https://img-blog.csdnimg.cn/img_convert/7282b8ac158ded42df1e3bdba68e096a.webp?x-oss-process=image/format,png)
Python学习路线图(2024最新版)
这是我最开始学Python时的一套学习路线,从入门到上手。(不敢说精通,哈哈~) 一、Python基础知识、变量、数据类型 二、Python条件结构、循环结构 三、Python函数 四、字符串 五、列表与元组 六、字典与集合 最后再送给大家一套免费…...
![](https://img-blog.csdnimg.cn/direct/0b999fc6591a4438bf3efd7c41517798.png)
66、基于长短期记忆 (LSTM) 网络对序列数据进行分类
1、基于长短期记忆 (LSTM) 网络对序列数据进行分类的原理及流程 基于长短期记忆(LSTM)网络对序列数据进行分类是一种常见的深度学习任务,适用于处理具有时间或序列关系的数据。下面是在Matlab中使用LSTM网络对序列数据进行分类的基本原理和流…...
![](https://img-blog.csdnimg.cn/direct/e0fbdec15ade40aabf91048a522f16ce.png)
RabbitMQ消息可靠性等机制详解(精细版三)
目录 七 RabbitMQ的其他操作 7.1 消息的可靠性(发送可靠) 7.1.1 confim机制(保证发送可靠) 7.1.2 Return机制(保证发送可靠) 7.1.3 编写配置文件 7.1.4 开启Confirm和Return 7.2 手动Ack(保证接收可靠) 7.2.1 添加配置文件 7.2.2 手动ack 7.3 避免消息重复消费 7.3.…...
![](https://www.ngui.cc/images/no-images.jpg)
88888
49615...
![](https://img-blog.csdnimg.cn/direct/f24ba23748634688a29d2a8c3a249bc4.png)
深度学习之激活函数
激活函数的公式根据不同的函数类型而有所不同。以下是一些常见的激活函数及其数学公式: Sigmoid函数: 公式:f(x)特性:输出范围在0到1之间,常用于二分类问题,将输出转换为概率值。但存在梯度消失问题&#…...
![](https://img-blog.csdnimg.cn/direct/5488307b86544a60aa7867eead9ee2b5.png#pic_center)
OpenStack开源虚拟化平台(一)
目录 一、OpenStack背景介绍(一)OpenStack是什么(二)OpenStack的主要服务 二、计算服务Nova(一)Nova组件介绍(二)Libvirt简介(三)Nova中的RabbitMQ解析 OpenS…...
![](https://img-blog.csdnimg.cn/direct/d9ce7ec4f3004f99bcfed7ba578a913b.png)
C++ | Leetcode C++题解之第207题课程表
题目: 题解: class Solution { private:vector<vector<int>> edges;vector<int> indeg;public:bool canFinish(int numCourses, vector<vector<int>>& prerequisites) {edges.resize(numCourses);indeg.resize(numCo…...
![](https://www.ngui.cc/images/no-images.jpg)
vue3中的自定义指令
全局自定义指令 假设我们要创建一个全局指令v-highlight,用于高亮显示元素。这个指令将接受一个颜色参数,并有一个可选的修饰符bold来决定是否加粗文本。 首先,在创建Vue应用时定义这个指令:(这里可以将指令抽离成单…...
![](https://www.ngui.cc/images/no-images.jpg)
Postman接口测试工具的原理及应用详解(一)
本系列文章简介: 在当今软件开发的世界中,接口测试作为保证软件质量的重要一环,其重要性不言而喻。随着前后端分离开发模式的普及,接口测试已成为连接前后端开发的桥梁,确保前后端之间的数据交互准确无误。在这样的背景…...
![](https://img-blog.csdnimg.cn/direct/0170c861474a4ba1a04e55513fc14954.png)
C++ initializer_list类型推导
目录 initializer_list C自动类型推断 auto typeid decltype initializer_list<T> C支持统一初始化{ },出现了一个新的类型initializer_list<T>,一切类型都可以用列表初始化。提供了一种更加灵活、安全和明确的方式来初始化对象。 class…...
![](https://img-blog.csdnimg.cn/img_convert/aca16453be8ef90a215a4d28215bca39.jpeg)
造一个交互式3D火山数据可视化
本文由ScriptEcho平台提供技术支持 项目地址:传送门 使用 Plotly.js 创建交互式 3D 火山数据可视化 应用场景 本代码用于将火山数据库中的数据可视化,展示火山的高度、类型和状态。可用于地质学研究、教育和数据探索。 基本功能 该代码使用 Plotly…...
![](https://www.ngui.cc/images/no-images.jpg)
【网络安全】一文带你了解什么是【CSRF攻击】
CSRF(Cross-Site Request Forgery,跨站请求伪造)是一种网络攻击方式,它利用已认证用户在受信任网站上的身份,诱使用户在不知情的情况下执行恶意操作。具体来说,攻击者通过各种方式(如发送恶意链…...
![](https://img-blog.csdnimg.cn/direct/ee4e65d49a3c4478acab3968001c736a.png)
短视频电商源码如何选择
在数字时代的浪潮下,短视频电商以其直观、生动、互动性强的特点,迅速崛起成为电商行业的一股新势力。对于有志于进军短视频电商领域的创业者来说,选择一款合适的短视频电商源码至关重要。本文将从多个角度探讨如何选择短视频电商源码…...
![](https://www.ngui.cc/images/no-images.jpg)
444444
356前期...
![](https://img-blog.csdnimg.cn/direct/3fecfd9426be4537893d208a70865faa.png)
初识LangChain的快速入门指南
个人名片 🎓作者简介:java领域优质创作者 🌐个人主页:码农阿豪 📞工作室:新空间代码工作室(提供各种软件服务) 💌个人邮箱:[2435024119qq.com] 📱…...
![](https://img-blog.csdnimg.cn/img_convert/18b5ceb81505eb9999d528dbcda2ff10.png)
OpenBayes 教程上新 | CVPR 获奖项目,BioCLlP 快速识别生物种类,再也不会弄混小浣熊和小熊猫了!
市面上有很多植物识别的 App,通过对植物的叶片、花朵、果实等特征进行准确的识别,从而确定植物的种类、名称。但动物识别的 App 却十分有限,这使我们很难区分一些外形相似的动物,例如小浣熊和小熊猫。 左侧为小浣熊,右…...
![](https://img-blog.csdnimg.cn/img_convert/944bd0bc306030b67acf8757c2a92b8d.png)
24 年程序员各岗位薪资待遇汇总(最新)
大家好,我是程序员鱼皮。今天分享 24 年 6 月最新的程序员各岗位薪资待遇汇总。 数据是从哪儿来的呢?其实很简单,BOSS 直聘上有一个免费的薪酬查询工具,只要认证成为招聘者就能直接看,便于招聘者了解市场,…...
![](https://www.ngui.cc/images/no-images.jpg)
Android SurfaceFlinger——系统动画服务启动(十四)
在了解了 SurfaceFlinger、HWC、OpenGL ES 和 EGL 等相关概念和基础信息后,我们通过系统动画的调用流程引入更多的内容。 一、解析init.rc 开机就启动进程,肯定就要从 rc 文件开始。负责开机动画的进程是 bootanimation。 1、bootanim.rc 源码位置:/frameworks/base/cmds…...
![](https://img-blog.csdnimg.cn/direct/1490427509104436b173fdc09f807ea4.png)
VaRest插件常用节点以及Http请求数据
1.解析json (1)Construct Json Object:构建json对象 (2)Decode Json:解析json 将string转换为json (3)Encode json:将json转换为string (4)Get S…...
![](https://img-blog.csdnimg.cn/direct/3925d2c31b384e8bacccab821fe595d1.png)
【Linux】线程id与互斥(线程三)
上一期我们进行了线程控制的了解与相关操作,但是仍旧有一些问题没有解决 本章第一阶段就是解决tid的问题,第二阶段是进行模拟一个简易线程库(为了加深对于C库封装linux原生线程的理解),第三阶段就是互斥。 目录 线程id…...
![](https://img-blog.csdnimg.cn/direct/b396da5d22eb4fb6ba6f8a03f2504a65.png)
JavaEE—什么是服务器?以及Tomcat安装到如何集成到IDEA中?
目录 ▐ 前言 ▐ JavaEE是指什么? ▐ 什么是服务器? ▐ Tomcat安装教程 * 修改服务端口号 ▐ 将Tomcat集成到IDEA中 ▐ 测试 ▐ 结语 ▐ 前言 至此,这半年来我已经完成了JavaSE,Mysql数据库,以及Web前端知识的学习了&am…...
![](https://www.ngui.cc/images/no-images.jpg)
主流分布式消息中间件RabbitMQ、RocketMQ
分布式消息中间件在现代分布式系统中起着至关重要的作用。以下是一些主流的分布式消息中间件: 1. Apache Kafka - 特点:高吞吐量、低延迟、持久化、水平可扩展、分布式日志系统。 - 使用场景:日志收集与处理、实时流处理、事件驱动架构、大数…...
![](https://img-blog.csdnimg.cn/27444f4e835a4c5eb9e2eda98028d5c0.png)
【Unity Linux】模型导致的Unity项目崩溃
模型需勾选Strip Bones。如不勾选,则开启项目崩溃。 也可以删除有问题模型的.meta文件。 (Unity默认会自动勾选,所以不会崩溃) 或打开.meta文件,将optimizeBones的值,由0改为1。(对应面板上的…...
![](https://www.ngui.cc/images/no-images.jpg)
22222
12212...
![](https://www.ngui.cc/images/no-images.jpg)
大数据领域的常用开发语言详解
大数据开发语言主要包括以下几个,以下是它们在大数据开发领域的优缺点和应用场景的详细说明: 1. Java 优点: 跨平台性:Java的“一次编写,到处运行”的特性使得其可以轻松地运行在多个操作系统上。面向对象ÿ…...
![](https://www.ngui.cc/images/no-images.jpg)
SpringBoot设置自动跳转前端界面
一般情况下,我们的Application启动文件的内容为一行的运行代码,默认启动项目以后不会自动跳转到我们的前端页面 public static void main(String[] args) {SpringApplication.run(DemoApplication.class, args);} 这里我的可以通过设置文件的内容&#…...
![](https://www.ngui.cc/images/no-images.jpg)
vue3前端解析大数据返给的数据格式
# xxx:111111111111111\n\n## 2222:\n- 99999999。\n- 564566556。\n- ", npm install marked import {marked} from markedmarked(# xxx:111111111111111\n\n## 2222:\n- 99999999。\n- 564566556。\n-)//就可以解析成 《…...
![](https://www.ngui.cc/images/no-images.jpg)
Incremental Player Build
*未解决,仅作记录 Unity 版本 2021.3.15f1 问题 Unity 发布webgl 平台卡在Incremental Player Build 界面。 解决 未找到明确原因,简化工程路径后发布成功。...
![](https://img-blog.csdnimg.cn/img_convert/c4b15d3e7416e6c932b6208e2741160f.png)
快钱支付股东全部股权已被质押!
根据近期工商信息,第三方支付机构快钱支付清算信息有限公司(简称“快钱支付”)实际控股方快钱金融服务(上海)有限公司(简称“快钱金融”),作为出质股权标的企业,被出质给…...
![](https://www.ngui.cc/images/no-images.jpg)
【鸿蒙学习笔记】数据类型
官方文档:ArkTS语言介绍 目录标题 声明变量声明常量数据类型 缺:byte charNumber类型 short int long float doubleBoolean类型 booleanString类型Void类型Object类型Array类型Enum类型Union类型Aliases类型 [代码总结] 声明变量 let hi: string hel…...
![](https://img-blog.csdnimg.cn/direct/308d79c6ff5a4c4ab7f2dad1af12d6e5.png)
SAP实现特别总账的凭证预制
SAP实现特别总账的凭证预制 仔细理解只有”其他”的特殊总帐标识才可预制凭证这句话. F-29/f-48不可预制。F-29/f-48预制时出现错误消息号 FP 030,提示特殊总帐标志类型“汇票和”预付定金“的特别总帐标志的过帐代码不能预制,这是系统写死的ÿ…...
![](https://img-blog.csdnimg.cn/direct/2d7f6e3c25dd4270b9cd5da94b9244e6.png)
鸿蒙 HarmonyOs 动画效果 快速入门
一、理论 1.1 animation属性 名称参数类型必填描述durationnumber否设置动画时长,默认值:1000,单位:毫秒temponumber否动画播放速度。数值越大,速度越快,默认为1curvestring | Curve否 设置动画曲线。 默…...
![](https://www.ngui.cc/images/no-images.jpg)
PyTorch学习之 torch.squeeze 函数
PyTorch学习之 torch.squeeze 函数 一、功能 torch.squeeze 的主要作用是从给定的张量 input 中移除所有尺寸为1的维度。 二、基本语法 torch.squeeze(input, dimNone)三、参数说明 input (Tensor): 输入的张量。dim (int, 可选): 指定要移除的尺寸为1的维度 如果未指定&am…...
![](https://www.ngui.cc/images/no-images.jpg)
达梦数据库系列—17. 主备集群搭建-实时主备
目录 配置实时主备 1、环境说明 2、数据准备 脱机备份、脱机还原方式 联机备份、脱机还原方式 3、配置主库 3.1 配置 dm.ini 3.2 配置 dmmal.ini 3.3 配置 dmarch.ini 3.4 配置 dmwatcher.ini 3.5 启动主库为mount 3.6 设置 OGUID 3.7 修改数据库模式 4、配置备库…...
![](https://img-blog.csdnimg.cn/direct/b5aa9da9211a4e8487b13ba5adc617eb.png)
【24医学顶刊】GANDALF:主动学习 + 图注意力变换器 + 变分自编码器,改善多标签图像分类
GANDALF:主动学习 图注意力变换器 变分自编码器,改善多标签图像分类 提出背景子解法1:多标签信息样本的选择子解法2:生成信息丰富且非冗余的合成样本 例子:胸部X射线图像分析传统方法的操作和局限GaNDLF方法的优势 工…...
![](https://www.ngui.cc/images/no-images.jpg)
Linux 权限介绍
文章目录 Linux 权限介绍权限类型权限的数字表示查看文件信息修改权限相关指令 Linux 权限介绍 在 Linux 系统中,权限管理是非常重要的一部分,它确保了系统的安全性和文件的合理访问。 权限类型 [ r ]代表可读(read)࿱…...
![](https://www.ngui.cc/images/no-images.jpg)
kernel header解析
一、kernel header定义: aarch64 kernel header u32 code0; /* Executable code */ u32 code1; /* Executable code */ u64 text_offset; /* Image load offset, little endian */ u64 image_size; /* Effective Image size, little…...
![](https://www.ngui.cc/images/no-images.jpg)
python—面向对象
面向对象概述 Python面向对象编程(OOP)是一种程序设计方法,它将数据(属性)和行为(方法)封装成对象,并通过类来定义这些对象。面向对象编程的核心概念包括封装、继承和多态。下面将详…...
![](https://www.ngui.cc/images/no-images.jpg)
使用 PHP 和 Selenium WebDriver 实现爬虫
随着互联网的蓬勃发展,我们可以轻松地获取海量的数据。而爬虫则是其中一种常见的数据获取方式,特别是在需要大量数据的数据分析和研究领域中,爬虫的应用越来越广泛。本文将介绍如何使用 php 和 selenium webdriver 实现爬虫。 一、什么是 Se…...
![](https://www.ngui.cc/images/no-images.jpg)
Stream流学习mapping
Stream流学习mapping 一、前言1. 基本用法2. 结合 Collectors.mapping3. 自定义转换函数4.总结 一、前言 在Java的Stream API中,mapping 是一个非常有用的中间操作,它可以将流中的元素映射成其他形式。通常与 Collectors.groupingBy 或者 Collectors.ma…...
![](https://img-blog.csdnimg.cn/direct/cb6db127e8ba45ad9a29356bdcd3bb2f.png)
Java数组
声明数组变量 dataType[] arrRefVar; 或者 dataType arrRefVar[]; 创建数组变量 使用new字符创建数组 arrayRefVar new dataType[arraySize]; 也可以和声明放在一起 dataType[] arrayRefVar new dataType[arraySize]; 或者 dataType[] arrayRefVar {value0, value1, …, …...
![](https://img-blog.csdnimg.cn/direct/4523576f46984c69bea6d7651cf401c0.png)
【鸿蒙学习笔记】页面和自定义组件生命周期
官方文档:页面和自定义组件生命周期 目录标题 [Q&A] 都谁有生命周期? [Q&A] 什么是组件生命周期? [Q&A] 什么是组件?组件生命周期 [Q&A] 什么是页面生命周期? [Q&A] 什么是页面?页面生…...
![](https://img-blog.csdnimg.cn/direct/e760c529a238493eb85ae79071a2aa79.png)
Qt下载安装及配置教程
文章目录 1. QT简介 2. 下载QT 3. 检查配置环境 4. 创建QT项目 1. QT简介 Qt是一个跨平台C图形用户界面(GUI)工具包,它由Qt公司(前身为Trolltech)开发和维护。自1995年发布以来,Qt因其强大的功能和跨平…...
![](https://www.ngui.cc/images/no-images.jpg)
Tims天好中国一季报:系统销售额同比增7.1%自营门店EBITDA7个
5日晚间,全球知名连锁咖啡品牌Tim Hortons中国及炸鸡品牌Popeyes中国(以下简称“Tims天好中国”;NASDAQ: THCH)公布了2024年第一季度财报:总营收人民币3.468亿元,同比增长3.1%;系统销售额3.635亿元,同比增长7.1%。2024年以来,咖啡行业竞争持续加剧,Tims天好中国以可持续…...
![](https://www.ngui.cc/images/no-images.jpg)
本田CR-V与大众途观L车辆对比:资深人士解析,长期使用明显区别
在汽车市场领域,本田CR-V及大众途观L皆为备受瞩目的SUV车型。它们在市场上一直是激烈的竞争对手,消费者往往在它们之间犹豫不决。关于本田CR-V与大众途观L的对比文章,以帮助消费者更好地了解这两款车型的优劣势,并做出更明智的选择。一、车型特点本田CR-V是一款紧凑型SUV,…...
![](http://dingyue.ws.126.net/2024/0528/d85825bfj00se6dxr0035d000u000mim.jpg)
淡黄色,才是牙医公认的健康色号
牙齿越白越好吗?在各种牙膏广告里,牙齿总是白到发光,令多少人羡慕不已,不管怎么美白总是微微发黄。这是为何?事实上,根据牙医专家指出,健康牙齿的颜色并非纯白,淡黄色的牙齿表明牙釉质钙化程度高,是牙齿健康的表现!▲图源:央视网牙齿由外表面的牙釉质和内部的牙本质…...
![](https://img-blog.csdnimg.cn/direct/5320a08dad17447091be1efb22d32c30.png)
【算法】dd爱转转
✨题目链接: dd爱旋转 ✨题目描述 读入一个n∗n的矩阵,对于一个矩阵有以下两种操作 1:顺时针旋180 2:关于行镜像 如 变成 给出q个操作,输出操作完的矩阵 ✨输入描述: 第一行一个数n(1≤n≤1000),表示矩阵大小 接下来n行ÿ…...
![](https://img-blog.csdnimg.cn/direct/4a0cc0f53f9148f39c460c044a0ebbb2.png#pic_center)
【RLHF个人笔记】RLHF:Reinforcement Learning from Human Feedback具体过程
【RLHF个人笔记】RLHF:Reinforcement Learning from Human Feedback具体过程 RLHF训练的三个步骤步骤1:收集数据与有监督训练策略步骤2:收集数据训练奖励模型步骤3:结合奖励模型利用强化学习算法如PPO算法来优化策略 参考内容 RLHF训练的三个…...
![](https://www.ngui.cc/images/no-images.jpg)
转行公务员--省考面试87+,我是如何做到的
文章目录 本人经历了两年省考。第一年第二年 一、破模版二、别让金句成为你的负担三、别背四、写逐字稿五、多练六、多参加考试 本人经历了两年省考。 第一年 面试80出头,翻了3个人,无奈笔试太拉胯,最后差0.6分惜败。 第二年 在笔试备考期…...