内眼深度学习 总览 这是一个深度学习工具箱,用于在医学图像(或更常见的是3D图像)上训练模型。 它与Azure中的云计算无缝集成。 在建模方面,此工具箱支持 细分模型 分类和回归模型 序列模型 分类,回归和序列模型可以仅将图像作为输入,或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例,在这些用例中,除了图像之外,还经常可以使用测量,生物标记或患者特征。 在用户方面,该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一,并依靠来执行,簿记和可视化。 两者合计,得出: 可追溯性:AzureML保留已执行的所有实验的完整记录,包括代码快照。 标签会自动添加到实验中,以后可以帮助过滤和查找旧实验。 透明度:所有团队成员都可以访问彼此的实验和结果。 重现性:使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源(例如多线程)均受到控制。 降低成本:使用AzureML,在开始培训工作时就请求所有计算(虚拟机,VM),并在最后释放它们。 闲置的虚拟机不会产生成本。 此外,Azure低优先级节点可用于进一步降低成本(便宜多达80%)。
2021-11-16 14:37:59 815KB deep-learning azure healthcare medical-imaging
1
此文档是ethercat从站开发堆栈源码,帮助用户快速开发从站
2021-11-12 08:02:53 26.58MB ethercat ssc
1
ELK Stack高级实战培训
2021-11-10 18:48:22 18.74MB ELK
1
Web Full Stack Practice:Docker + uWSGI + Celery + Django + Supervisor + React + Nginx + Https + Postgres + Redis 本项目主要介绍基于 Docker 的 Web 开发和部署(开发要求在改动代码时服务或页面能够实时发生变化)全流程,来源于日常项目,后端以 Django 为例,前端以 React 为例,使用到的其他模块也可以换成同类产品,比如 uWSGI 可以换成 Gunicorn,数据库可以换成 Mysql 等。我们将通过一个案例前后端分离介绍,这样容易理解。 目标 docker-compose 启动前后端同时开发 本地开发 + 正式部署 Https Supervisor + uWSGI + Nginx 部署 特别说明:在前后端联合调试时比较方便,如果单个开发后端或前端,直接本地很多
2021-11-08 11:19:41 45.47MB react docker nginx redis
1
利用教材中的Stack类,为其设计外部函数(非成员函数)实现下面delete_all功能,必要时可以使用临时的Stack对象。编写主函数测试delete_all函数,栈元素设定为字符类型即可。
2021-11-04 15:49:51 1KB 数据结构
1
EtherCAT Slave Stack Code Tool、EtherCAT 从机代码生成、软件版本512、tool版本 4.13
2021-11-02 17:02:07 27.3MB EtherCAT SSCTOOL
1
Beckhoff Automation的EtherCAT Slave Stack Code(SSC)是ANSI C中的示例源代码,支持μC和SPI接口。 该代码作为在具有自己的处理器的设备中实现EtherCAT的开发基础。 “对象字典工具”(OD-Tool)已集成到SSC OD配置工具中,支持离线和在线对象字典的一致定义。 详细的产品信息可以在官方的EtherCAT产品指南中找到。
2021-10-31 13:34:46 15.81MB EtherCAT ssc
1
实验目的 1. 掌握栈的操作特性及其顺序存储和链式存储结构 2. 灵活运用栈解决实际问题。 实验内容 利用栈实现算符优先法进行表达式求值,测试表达式为: 5*(3+2)-6/2# 提示:利用c++的stack容器。
2021-10-27 22:02:36 33KB 数据结构 c++
1
用简单class实现stack功能 用类实现栈的操作
2021-10-24 16:16:41 1KB Stack Class 栈用类来实现
1
OPC UA java开发使用的jar包,最新代码编译的jar包版本1.4.0,欢迎下载使用。
2021-10-21 09:10:41 2.27MB OPC OPC UA OPC
1