- 博客(109)
- 资源 (29)
- 收藏
- 关注
原创 Fortuneteller: A Focal Transformer for Boundary-Aware Prostate Segmentation Using CT Images
在子窗口池化步骤中,输入特征图x ∈ Rd×H''×W''被分割成大小为{sw, sw}的子窗口网格,然后通过一个简单的线性层fpl在空间上对子窗口进行池化。不同层级l的池化特征图提供了精细粒度和粗糙粒度的丰富信息,在获得所有层级l的池化特征图后,使用三个线性投影层fq、fk和fv来计算第一级的查询Q,以及所有级的键K和值V。对于第i个窗口内的查询Qi ∈ Rd×sw×sw,从包含查询所在窗口的周围区域中的Kl和Vl中提取sr× sr的键和值。边界感知轮廓,是通过考虑前列腺掩膜边界附近的像素来生成的。
2025-04-01 01:25:28
256
原创 EMCAD: Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
接着,应用3×3深度卷积(DW C(·)),随后是批归一化(BN(·))和ReLU激活函数,以增强上采样后的特征图。EMCAD通过高效的多尺度卷积增强特征图,同时使用通道、空间和分组(大核)门控注意力机制来整合复杂的空间关系和局部注意力。多尺度卷积注意力模块(MSCAM)结合了通道注意力块(CAB)、空间注意力块(SAB)和高效多尺度卷积块(MSCB)来增强特征图,同时保持上下文关系。高效上卷积块(EUCB)被设计用于逐步上采样当前阶段的特征图,以匹配来自下一个跳跃连接的特征图的维度和分辨率。
2025-04-01 01:22:58
618
原创 MAGIC:重新思考医学图像分割的动态卷积设计
近年来,动态卷积在医学图像分割的CNN相关网络中展现出性能提升。其核心思想是根据输入相关的注意力函数,用多个卷积核的线性组合替换静态卷积核。然而,现有的动态卷积设计存在两个局限性:其一,卷积核通过在输入特征图上施加一维注意力函数进行加权,忽略了多维信息之间的协同作用,导致卷积核的计算并非最优;其二,线性核聚合效率低下,限制了模型学习更复杂模式的能力。在本文中,作者重新思考动态卷积设计以解决这些局限性,并提出了多维聚合动态卷积(MAGIC)。
2025-03-30 01:50:20
807
原创 MSV-Mamba: 用于超声心动图分割的多尺度视觉Mamba网络
超声心动图图像分割在分析心脏功能和诊断心血管疾病中起着至关重要的作用。超声成像经常面临诸如高噪声水平、低时空分辨率以及解剖结构复杂性等挑战。这些因素显著阻碍了模型准确捕捉和分析心脏各区域的结构关系和动态模式的能力。Mamba作为一种新兴模型,是目前最前沿的方法之一,广泛应用于各种视觉和语言任务。它能够以线性复杂度高效捕捉全局信息,并弥补了卷积神经网络(CNN)和传统Transformer的不足。
2025-03-30 00:43:13
448
3
原创 EGA边缘引导注意力:有效保留高频边缘信息,提升分割精度,助力高效涨点
编码器:负责从输入图像中捕获和抽象特征。解码器:专注于提取显著特征,生成与输入图像分辨率匹配的解码图。边缘引导注意力模块(EGA):利用拉普拉斯算子增强边缘信息,确保在解码过程中保留高频细节。MEGANet通过结合编码器、解码器和EGA模块,能够在多个尺度上保留边缘信息,从而提高了息肉分割的精度。EGA模块的主要作用是通过拉普拉斯算子提取和保留高频边缘信息,增强模型对弱边界的检测能力。编码器特征:来自编码器的视觉特征。高频特征:通过拉普拉斯算子提取的边缘信息。解码器预测特征:来自更高层的解码器预测特征。
2025-03-26 00:53:24
311
原创 SLAB:具有简化线性注意力和渐进从参数化批量归一化
RepBN是用于加速Transformer模型推理的归一化方法,其核心思想是将BatchNorm与线性层合并,以减少推理时的计算开销:1. RepBN的定义:RepBN通过引入一个可学习的参数η,与BatchNorm的输出相结合,形成新的归一化公式。2. RepBN的优势:RepBN结合了BatchNorm在训练时的稳定性和线性层在推理时的高效性,从而在不牺牲模型性能的前提下,提高了Transformer模型的推理速度。图2放大:RepBN是BatchNorm的一种新的重参数化公式,用以进一步提高性能。
2025-03-17 17:51:43
57
原创 注意力机制+多尺度卷积
创新点:通过多尺度和门控机制改进大核注意力,能够在不同粒度水平上聚合全局和局部信息,避免潜在的阻塞伪影。结合经典多尺度机制和新兴的大核注意力,优化了模型的性能和计算效率。整合门控机制和空间注意力,去除不必要的线性层,聚合信息丰富的空间上下文。创新点:提出了AGGN模型,该模型在不依赖手动标记肿瘤掩码的情况下,依然能够实现优异的分级性能。设计了双域注意力机制,能够同时考虑通道和空间信息,突出MRI特征图中的关键模态和位置。多尺度卷积先提供丰富的特征信息,注意力机制再从中筛选出关键信息,这样结合起来,
2025-03-17 17:17:54
390
原创 LM-UNet: Whole-Body PET-CT LesionSegmentation with Dual-Modality-BasedAnnotations Driven by Latent
然而,PET-CT图像的自动病灶分割仍面临三大挑战:1)现有公共数据集的单模态标注限制(仅依赖PET或CT);2)难以区分病理性与生理性高代谢区域;3)CT结构信息利用不足。题目:LM-UNet: Whole-body PET-CT Lesion Segmentation with Dual-Modality-based Annotations Driven by Latent Mamba U-Net。LM-UNet: 全身 PET-CT 病变分割,基于双模态注释的潜在 Mamba U-Net 驱动。
2025-03-11 01:17:29
129
原创 YOLOv12涨点优化:Shape IoU,Focal-EIOU 更加关注边界框本身的形状和尺度
边界盒回归损失作为检测器定位分支的重要组成部分,在目标检测任务中起着重要的作用。现有的边界盒回归方法通常考虑GT盒与预测盒之间的几何关系,利用边界盒的相对位置和形状来计算损失。
2025-03-10 20:35:36
641
原创 【报错处理】NVIDIA GeForce RTX 3090 with CUDA capability sm_86 is not compatible with the current PyTorch
GeForce3090等高性能显卡配置pytorch时出现错误:错误是当前3090显卡与torch的版本不支持。30系列的显卡不支持CUDA11.0以下的版本解决办法就是更改torch版本。PyTorch版本和对应的CUDA版本的关系在上看。假设使用的是RTX 3090,项目依赖的PyTorch为1.7.1sm_8611.0-12.21.7.1取交集,得到适合的CUDA版本为CUDA-11.0通过安装正确版本的PyTorch库。
2024-11-13 14:25:16
1123
原创 F.pad函数、torch.chunk函数、torch.roll函数、torch.narrow函数
首先创建了一个4x6的张量,并分别沿着第一个维度(行)和第二个维度(列)将其分割成了多个块。沿着第一个维度分割时,我们得到了两个2x6的张量;沿着第二个维度分割时,我们得到了三个4x2的张量。原始的3x3张量被填充成了一个5x7的张量。左边和上边各填充了1个单位的0,右边和下边各填充了2个单位的0。这样,填充后的张量尺寸变大了,但原始数据仍然保留在中心位置。
2024-11-10 17:03:40
178
原创 UNeXt:基于MLP的快速医学图像分割网络
近年来,UNet及其最新扩展(如TransUNet)一直是医学图像分割领域的主流方法。然而,这些方法参数量大、计算复杂度高且使用速度慢,因此无法有效地应用于需要快速图像分割的点护理场景中。为此,我们提出了UNeXt,这是一个基于卷积多层感知器(MLP)的图像分割网络。我们有效地设计了UNeXt,包括一个早期的卷积阶段和一个潜在阶段的MLP阶段。我们提出了一种标记化的MLP块,其中我们高效地标记和投影卷积特征,并使用MLP来建模表示。
2024-11-04 11:30:29
20
原创 Optimizing Medical Image Segmentation with Advanced Decoder
U-Net因其简洁且灵活的架构设计在医学图像分割中得到了广泛应用。为应对医学任务在规模和复杂性方面的挑战,已提出了多种U-Net变体。特别是近年来,以Swin UNETR为代表的基于Vision Transformer(ViT)的方法受到了广泛关注。然而,这些改进通常仅聚焦于编码器,忽视了解码器在优化分割细节中的关键作用。这种设计上的不平衡限制了进一步提升分割性能的可能性。为解决这一问题,我们分析了各种解码器组件的作用,包括上采样方法、跳跃连接和特征提取模块,以及现有方法的不足。
2024-11-04 10:25:32
157
原创 DB-SAM:深入探索高质量的通用医疗图像分割
近期,分割任何事物模型(SAM)在各种下游分割任务中展现出了卓越的分割能力。然而,在通用医疗图像分割的背景下,由于自然图像与2D/3D医疗数据之间存在领域差异,直接应用SAM会导致显著的性能差异。在本研究中,我们提出了一种双分支适配的SAM框架,即DB-SAM,旨在有效弥合这一领域差异。我们的双分支适配SAM包含两个并行分支:一个ViT分支和一个卷积分支。ViT分支在每个冻结的注意力块之后融入了一个可学习的通道注意力块,用于捕捉特定领域的局部特征。
2024-11-03 04:16:21
120
原创 UNROLLED DIFFUSION-GUIDED DEEP IMAGE PRIOR FOR MEDICAL IMAGERECONSTRUCTION
深度学习(DL)方法已广泛应用于各种图像恢复问题,包括磁共振成像(MRI)和计算机断层扫描(CT)重建。除了监督模型外,最近还探索了其他方法,其中两个关键的新方案是:深度图像先验(DIP),这是一种无监督的扫描自适应方法,利用网络架构作为隐式正则化,但可能受到噪声过拟合的影响;以及扩散模型(DMs),其中预训练生成模型的采样过程被修改,以允许通过近似从测量条件分布中进行采样。本文提出将DIP和DMs结合用于MRI和CT重建,这一想法的动机源于两个方面:(i)DIP网络输入的影响;
2024-11-01 18:29:34
7
原创 DIP(Deep Image Prior,深度图像先验)和DMs(Diffusion Models,扩散模型)
DIP(Deep Image Prior,深度图像先验)和DMs(Diffusion Models,扩散模型)是计算机视觉和深度学习领域中的两种重要模型,它们各自具有独特的特点和优势。在DIP中,网络架构本身被用作隐式正则化,通过对网络输入的随机噪声进行优化,可以逐渐生成与输入图像相似的图像。由于它们是通过学习数据的分布来生成新样本的,因此可以生成与真实数据相似但又不完全相同的样本,这增加了生成样本的多样性和丰富性。DIP具有扫描自适应的特性,即它能够根据输入图像的特定特征进行自适应的学习和优化。
2024-11-01 15:22:32
1138
原创 Vision Transformer(vit)原理分析+实践测试+代码实践(Pytorch)
Vision Transformer(ViT)是一种基于Transformer架构的深度学习模型,用于图像识别和计算机视觉任务。与传统的卷积神经网络(CNN)不同,ViT直接将图像视为一个序列化的输入,并利用自注意力机制来处理图像中的像素关系。ViT通过将图像分成一系列的图块(patches),并将每个图块转换为向量表示作为输入序列。然后,这些向量将通过多层的Transformer编码器进行处理,其中包含了自注意力机制和前馈神经网络层。这样可以捕捉到图像中不同位置的上下文依赖关系。
2024-10-29 21:14:59
1061
原创 mamba的应用实例与一般性的实验结果[精简版本](5)
Mamba模型在推理时,可根据不同的输入数据(x)动态计算矩阵B、C和步长Δ(映射与随机参数共同决定Δ)的值,但用于这些计算的参数(即决定如何计算这些矩阵和步长的函数或映射)是固定不变的。Mamba针对这一情况进行了改进,在对B C矩阵进行计算时,加入了选择性机制,即在计算时引入一个额外的线性层,对输入的控制量和状态量进行选择,加强模型对不同输入形式的适应能力,算法流程如下图所示。Copy任务是SSM擅长的,因为它可以卷积化,卷积的权值共享性质,导致输出肯定不会有变化。
2024-10-29 20:22:50
640
原创 【深度学习基础】详解Pytorch搭建CNN卷积神经网络实现手写数字识别
数据集,其包含70000 个28×28 的手写数字的数据集,其中又分为60000 个训练样本与10000 个测试样本。
2024-10-24 14:48:51
631
原创 Anaconda和Pycharm超详细安装教程(2024版本+Win11)
打开下载的安装包,并按照安装向导的指示进行安装。可以选择安装专业版(Professional Edition)或者社区版(Community Edition)根据自己的需求进行选择。选择之前conda的安装地址,依次点击envs\(自定义的环境名称,示例是python38)\python.exe,点击确定即可将虚拟环境导入到pycharm里面了。在安装过程中,你可以选择默认的安装选项,也可以根据需要进行自定义设置。(这里选择安装路径,最好选择C盘以外的路径,路径中不要有中文,再次点击“Next”)
2024-10-23 23:28:29
3258
原创 颠覆Transformer的Mamba模型[精简版本](4)------Mamba
Mamba()是一种状态空间模型(SSM),建立在更现代的适用于深度学习的结构化SSM (简称S6)基础上,与经典架构RNN有相似之处。与先前的研究相比,Mamba主要有三点创新:(1)(2)(Hardware-aware Algorithm),该算法采用“并行扫描算法”而非“卷积”来进行模型的循环计算(使得不用CNN也能并行训练),但为了减少GPU内存层次结构中不同级别之间的IO访问,它没有具体化扩展状态。(3)
2024-10-22 21:08:03
1429
原创 颠覆Transformer的Mamba模型[精简版本](3)------S4中的HiPPO
发现HiPPO在低阶信号上work后,我们希望将它扩展到高阶信号上。阶数越高——与LLM越相似,工作的价值就越大,但是我们不能直接堆叠HiPPO算子,因为不断增加维度会引起维数爆炸解决方法如下图所示,通过蓝色state的线性组合得到最终的输出红色,至于是skip connection,是绕开state直接从input到输出的一个连接改用上文第一部分的表达,则如下图所示(state改由h 表达,input改由表达)最终把这两个方程统一放到一块,便是上文第一部分所述的这个图。
2024-10-18 21:16:15
1201
原创 颠覆Transformer的Mamba模型[精简版本](2)------SSM、S4
将 SSM 表示为卷积的一个主要好处是它可以像卷积神经网络CNN一样进行并行训练。然而,由于内核大小固定,它们的推理不如 RNN 那样快速,SSMs可以当做是RNN与CNN的结合,作为从输入信号到输出信号的参数化映射,即推理用RNN结构,训练用CNN结构。这类模型可以非常高效地计算为递归或卷积,在序列长度上具有线性或近线性缩放。
2024-10-18 18:26:13
884
原创 颠覆Transformer的Mamba模型[精简版本(1)]------Flash Attention
文章的介绍从HiPPO、SSM、S4起步,逐步推导到mamba。
2024-10-17 17:31:39
766
原创 Video-LLaMA论文解读和项目部署教程
Video-LLaMA基于BLIP-2和MiniGPT-4构建,主要由两个核心组件构成:(1) 视觉-语言(VL)分支和(2) 音频-语言(AL)分支。VL分支(视觉编码器:ViT-G/14 + BLIP-2 Q-Former)引入两层视频Q-Former及帧嵌入层,计算视频表示。在Webvid-2M视频字幕数据集上训练VL分支,以执行视频到文本生成任务。同时,添加来自LLaVA的约59.5万个图像标题对到预训练数据中,以增强静态视觉概念的理解。预训练后,我们使用来自MiniGPT-4。
2024-10-14 21:24:40
1047
原创 【报错分析】“If you tried to load a PyTorch model from a TF 2.0 checkpoint, please set from_tf=True.”
1、可能是权重文件损坏了,此时可以先使用代码进行验证,是的话下载新的权重即可。再次运行代码会从huggingface上重新下载相关文件,然后就不会报错了。这个文件下面分别有以.json和.lock结尾的文件,一共三个文件全部删了。最近跑代码遇到了一个奇怪的问题,调了很久。pytorch 版本升级到1.6.0 就可解决该问题。transformer版本太低有可能也有问题。进入以下目录:(不同用户的路径可能不太一样)
2024-10-14 19:25:36
874
原创 【报错分析】expected <block end>, but found ‘<scalar>‘
不能用缩进,所以就把报错的行检查了几遍,都改成空格还是报错;最后注意到注释上面,字段的值后面加注释,注意也不能用缩进隔开字段值与注释,否则也会报错!知道不能用缩进,所以就把报错的行检查了几遍,都改成空格还是报错;再 Ctrl + Alt + L。先 Ctrl + A。
2024-10-13 19:37:55
468
1
原创 深入理解Transformer的笔记记录(精简版本)---- ELMO->GPT->BERT
ELMO采用双向LSTM结构,因为两个方向是彼此独立训练的,所以可以根据上下文预测中间词,尽管效果可能不是最佳GPT由于采取了Transformer的单向结构,只能够看见当前以及之前的词,故只能根据上文预测下一个单词BERT没有像GPT一样完全放弃下文信息,而是采用了双向的Transformer。第一个创新点,即Masked Language Model(MLM),所谓MLM是指在训练的时候随即从输入预料上mask掉一些单词,然后通过的上下文预测该单词。
2024-10-11 20:36:43
1393
原创 深入理解Transformer的笔记记录(精简版本)---- Transformer
我们已经了解了模型的主要部分,接下来我们看一下各种向量或张量(注:张量概念是矢量概念的推广,可以简单理解矢量是一阶张量、矩阵是二阶张量)是怎样在模型的不同部分中,将输入转化为输出的。最后,流入解码器中,解码器中除了也有自注意力层、前馈层外,这两个层之间还有一个编码-解码注意力层,用来关注输入句子的相关部分(和seq2seq模型的注意力作用相似)接下来,自注意力层的输出会传递到前馈(feed-forward)神经网络中,每个位置的单词对应的前馈神经网络的结构都完全一样(注意:仅结构相同,但各自的参数不同)
2024-10-09 23:52:42
630
原创 深入理解Transformer的笔记记录(精简版本)----Seq2Seq → Seq2Seq with Attention
比如,图书馆(source)里有很多书(value),为了方便查找,我们给书做了编号(key)。当我们想要了解漫威(query)的时候,我们就可以看看那些动漫、电影、甚至二战(美国队长)相关的书籍。可以看到,将Source中的构成元素想象成是由一系列的数据对构成,此时给定Target中的某个元素Query,通过计算Query和各个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,即得到了最终的Attention数值。
2024-10-09 23:43:14
1154
原创 深入理解Transformer的笔记记录(精简版本)NNLM → Word2Vec
文章的整体介绍顺序为:自然语言处理相关任务中要将自然语言交给机器学习中的算法来处理,通常需要将语言数学化,因为计算机机器只认数学符号。向量是人把自然界的东西抽象出来交给机器处理的数学性质的东西,基本上可以说向量是人对机器输入的主要方式了。词向量是对词语的向量表示,这些向量能捕获词语的,如相似意义的单词具有类似的向量。假定我们有一系列样本(x,y),其中的 x 是词语,y 是它们的词性,我们要构建f(x) to y的映射:首先,这个数学模型 f(比如神经网络、SVM)只接受数值型输入;
2024-10-08 20:13:00
1348
原创 2024华为杯研究生数学建模,代码思路和参考文章
保姆级教程讲解 数学建模 华为杯 助攻 教程 讲解 应急车道 模型 思路 研赛。全套详细代码加思路,手把手教你,附参考思路和参考代码。全天在线持续更新,欲购从速,比赛时间不等人!免费思路、代码、可视化、成品不限量论文等。C题数据驱动下磁性元件的磁芯损耗建模,B题W LAN 组网中网络吞吐量建模,2024研赛E题思路全家桶(助攻汇总)全网最低价 标价即卖价,无额外收费,F题X射线脉冲星光子到达时间建模,E题高速公路应急车道紧急启用模型,D题大数据驱动的地理综合问題,A题风电场有功功率优化分配,
2024-09-21 21:56:24
498
原创 2024年中国研究生数学建模竞赛C题数据驱动下磁性元件的磁芯损耗建模 思路讲解
第五步是运用各种机器学习方法进行分类例如逻辑回归,xgboost,随机森林,gb dt等等,然后我们可以绘制对应的模型评价图表,例如roc曲线混淆矩阵等等,这里三分类的roc曲线是比较难画的。第二种方法是通过机器学习仿真预测的方法,也就是构建一个磁芯损耗预测模型,以题目涉及到的各种变量作为自变量,通过调整这三个因素,形成一个笛卡尔基,找出什么组合情况下磁心损耗达到最小。在这里比较推荐使用第一种方法,因为第二种方法事实上就是我们第四第五问要做的,或者一步到位,把3,4,5问放一起解题。
2024-09-21 14:51:10
798
原创 2024”华为杯“数学建模小白全攻略【近五年题目、获奖名单、类型、策略】
topsis 综合评价法:根据有限个评价对象与理想化目标的接近程度进行排序,是在现有对象中进行相对优劣评价的方法,只要求各效用函数具有单调递增(或递减)性,是多目标决策分析中常用的有效方法,又称为优劣解距离法,可尝试用于大体系的综合评价,要求有理想化指标数据,如环境质量评价、医疗质量综合评价等。多目标优化:存在多个评测函数,且不同评测函数的解也不同,即同时存在多个最大化或最小化的目标函数,它们之间可能存在冲突,适用于构建的优化目标函数不唯一的情况,常见于金融投资领域,追求风险更小、收益更大。
2024-09-19 17:04:05
2725
1
原创 1,修改图片后缀名 2,重新按顺序重命名图片 python实测有效
使用Python脚本批量重命名图片文件的方法,主要针对.bmp格式的图片,将其后缀改为.jpg。脚本首先设定根目录,然后遍历目录下的所有文件,通过os模块的os.path.splitext()函数分离文件名和后缀,检查是否为.bmp文件,如果是,则进行重命名操作。用户可以在命令行中通过python命令运行rename.py来执行此脚本。Python 批量按照原图片名称顺序自定义修改图片名,及顺序读取文件夹中图片处理。
2024-09-11 21:29:22
307
原创 如何在Conda环境中配置GPU加速的Python深度学习环境
摘要:本文将向您介绍如何在Conda环境中创建并配置一个支持GPU加速的Python深度学习环境。我们将使用CUDA和cuDNN来充分利用NVIDIA GPU的性能,并通过实际示例来验证配置的正确性。这里,我们创建了一个名为`dl_gpu_env`的环境,并指定了Python版本为3.8。如果您想使用PyTorch,可以访问PyTorch官方网站,根据您的CUDA版本和Python版本选择合适的命令进行安装。同样,将`xx.x`替换为与您的CUDA Toolkit版本兼容的cuDNN版本。
2024-09-09 22:48:06
714
原创 24年最新版pycharm找不到conda可执行文件解决办法(简单完美解决)
找不到conda可执行文件,在这个文件夹里面怎么也找不到python.exe。第二步:选择现有环境,在目录里面找到你conda配置的环境。这个已经旧了,不适用可以直接忽略,第一步:打开虚拟环境添加解释器。第三步:点击确定添加完成。首先是比较复杂的方法,
2024-09-09 18:13:10
13699
16
原创 春秋招笔试题库整理与购买-值得投资的资源
这份题库包括了北森、腾讯(智鼎、牛客)、普华永道等知名企业的新版笔试题库,以及美团、字节跳动、京东、联想、网易、百度、携程、B站、小米、快手、OPPO、360、大疆、华为、新浪、去哪儿等30多家大厂,还有国企、央企、外企、证券公司、四大八大、银行等各行各业的题目。我承诺,这份题库中的很多题目都是原题,我这么做的目的,就是希望能够帮助到更多的人,让他们在求职的路上少走一些弯路。但是,这份题库可以为你提供大量的复习资料,帮助你全面了解不同公司的笔试要求和考点,提升你的备考效率,为你的顺利上岸增加一份保障。
2024-02-26 21:30:36
704
原创 基金券商公司校招试题资料--历年真题和题库--东方财富、南方基金、华泰证券、申万宏源、平安银行金融笔试、中金、易方达基金、中信证券、中信建投、东北证券、安信证券、东吴证券、东方证券、国海证券、广发证券
以下是一些基金券商公司的校招试题资料,包括东方财富、南方基金、华泰证券、申万宏源、平安银行金融笔试、中金、易方达基金、中信证券、中信建投、东北证券、安信证券、东吴证券、东方证券、国海证券、广发证券、海通证券、国泰君安、华西证券、华安基金、上海证券交易所、华夏基金、招商银行、太平洋保险、宝盈基金、招商证券、同高毅资产北森、东方基金、宁波银行、国联证券、刷前必读、人寿和口兴业证券。这些试题资料包含了各个公司的自我介绍、行业背景、发展规划、岗位职责、工作环境等多方面的内容。
2024-02-26 03:17:31
1104
1
三创赛国赛项目(新).7z
2025-03-26
三创商务大数据.zip
2025-03-26
使用 C 语言与 EasyX 实现俄罗斯方块游戏的教学与实战教程
2025-01-14
Java编程基础之数制转换及其他简单应用:提高学生的编程实践能力和对面向对象编程的理解
2025-01-14
Python 编程实践指南:从基础语法到游戏开发的应用与实验
2025-01-14
Python与Web技术实现新年烟花特效实验报告
2025-01-14
软件设计领域毕业设计实验报告:OpenCV图像增强与A*算法、深度学习二维码识别、协同过滤推荐系统实现
2025-01-14
计算机专业实验报告: Visual Basic编程与软件工程项目实践
2025-01-14
软件设计实验:基于VC++6.0的网络编程与应用设计探索
2025-01-14
Python爬虫资源:全面掌握爬虫技术的综合指南
2024-12-30
构建高效企业人力资源管理系统的技术解析与源码剖析
2024-12-30
蓝桥杯必过练习题刷题大全.zip
2024-12-03
蓝桥杯必过试题大全.7z
2024-12-03
课程考试系统设计与开发:从理论到实践的全方位指南
2024-11-21
毕业设计项目:构建基于Spring Boot的在线书店系统
2024-11-21
Spring Boot设计实战:从入门到精通的语言教程、实战案例与项目资源
2024-11-21
JavaWeb开发全攻略:从入门到实战
2024-11-21
小程序项目开发实战指南:从入门到精通 - 微信小程序开发全解
2024-11-21
嵌入式开发从入门到精通:详解嵌入式系统原理与实战
2024-11-21
Python设计源码全面学习指南:涵盖基础语法、高级特性、设计模式与Web开发
2024-11-21
软件工程与算法全攻略:从基础概念到实战项目的全面解析
2024-11-21
MySQL数据库项目资源:从入门到实战的全方位指南
2024-11-21
软考必备软件设计师66题精解-涵盖网络攻击、线程管理与算法设计等领域知识点
2024-11-21
软考必备计算机系统与技术领域的基础知识点归纳(三万字必考知识点)
2024-11-21
普华永道.zip02普华GBA录屏03游戏GBA答题技巧5042023普华真题解析05计算题新题型更新GBA
2024-11-14
基于MapReduce的电信数据清洗系统设计与实现
2024-11-10
HBase全攻略:从安装配置到实战操作详解
2024-11-10
电子工程与数字电路设计领域Logisim环境下的8位可控加减法器详解及实现
2024-11-09
飞机选座系统从理论到实践的全方面教程
2024-11-09
ZooKeeper分布式协调服务:从入门到实战详解
2024-11-09
全面掌握Java编程:基础语法、核心概念与实战案例解析
2024-11-07
Java File 类:从基础到实践的文件操作全面教程
2024-11-07
NBA数据分析之科比投篮预测:从数据处理到模型优化的完整指南
2024-11-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人