A. python深度學習框架學哪個
Python 深度學習生態系統在這幾年中的演變實屬驚艷。pylearn2，已經不再被積極地開發或者維護，大量的深度學習庫開始接替它的位置。這些庫每一個都各有千秋。我們已經在 indico 的產品或者開發中使用了以下列表中的大部分的技術，但是對於剩下一些我們沒有使用的，我將會借鑒他人的經驗來幫助給出 Python 深度學習生態系統的清晰的、詳盡的理解。
確切地說，我們將會關註：
Theano
Lasagne
Blocks
TensorFlow
Keras
MXNet
PyTorch
下面是對這 7 大 Python 深度學習框架的描述以及優缺點的介紹。
Theano
描述：Theano 是一個 Python 庫，允許你定義、優化並且有效地評估涉及到多維數組的數學表達式。它與 GPUs 一起工作並且在符號微分方面表現優秀。
概述：Theano 是數值計算的主力，它支持了許多我們列表當中的其他的深度學習框架。Theano 由 Frédéric Bastien 創建，這是蒙特利爾大學機器學習研究所(MILA)背後的一個非常優秀的研究團隊。它的 API 水平較低，並且為了寫出效率高的 Theano，你需要對隱藏在其他框架幕後的演算法相當的熟悉。如果你有著豐富的學術機器學習知識，正在尋找你的模型的精細的控制方法，或者想要實現一個新奇的或者不同尋常的模型，Theano 是你的首選庫。總而言之，為了靈活性，Theano 犧牲了易用性。
優點：
靈活
正確使用時的高性能
缺點：
較高的學習難度
低水平的 API
編譯復雜的符號圖可能很慢
Lasagne
描述：在 Theano 上建立和訓練神經網路的輕量級庫
概述：因為 Theano 致力於成為符號數學中最先且最好的庫，Lasagne 提供了在 Theano 頂部的抽象，這使得它更適合於深度學習。它主要由當前 DeepMind 研究科學家 Sander Dieleman 編寫並維護。Lasagne 並非是根據符號變數之間的函數關系來指定網路模型，而是允許用戶在層級思考，為用戶提供了例如「Conv2DLayer」和「DropoutLayer」的構建塊。Lasagne 在犧牲了很少的靈活性的同時，提供了豐富的公共組件來幫助圖層定義、圖層初始化、模型正則化、模型監控和模型訓練。
優點：
仍舊非常靈活
比 Theano 更高級的抽象
文檔和代碼中包含了各種 Pasta Puns
缺點：
社區小
Blocks
描述：用於構建和訓練神經網路的 Theano 框架
概述：與 Lasagne 類似，Blocks 是在 Theano 頂部添加一個抽象層使深度學習模型比編寫原始的 Theano 更清晰、更簡單、定義更加標准化。它是由蒙特利爾大學機器學習研究所(MILA)編寫，其中一些人為搭建 Theano 和第一個神經網路定義的高級介面(已經淘汰的 PyLearn2)貢獻了自己的一份力量。比起 Lasagne，Blocks 靈活一點，代價是入門台階較高，想要高效的使用它有不小的難度。除此之外，Blocks 對遞歸神經網路架構(recurrent neural network architectures)有很好的支持，所以如果你有興趣探索這種類型的模型，它值得一看。除了 TensorFlow，對於許多我們已經部署在 indico 產品中的 API，Blocks 是其首選庫。
優點：
仍舊非常靈活
比 Theano 更高級的抽象
易於測試
缺點：
較高的學習難度
更小的社區
TensorFlow
描述：用於數值計算的使用數據流圖的開源軟體庫
概述：TensorFlow 是較低級別的符號庫(比如 Theano)和較高級別的網路規范庫(比如 Blocks 和 Lasagne)的混合。即使它是 Python 深度學習庫集合的最新成員，在 Google Brain 團隊支持下，它可能已經是最大的活躍社區了。它支持在多 GPUs 上運行深度學習模型，為高效的數據流水線提供使用程序，並具有用於模型的檢查，可視化和序列化的內置模塊。最近，TensorFlow 團隊決定支持 Keras(我們列表中下一個深度學習庫)。雖然 TensorFlow 有著自己的缺點，但是社區似乎同意這一決定，社區的龐大規模和項目背後巨大的動力意味著學習 TensorFlow 是一次安全的賭注。因此，TensorFlow 是我們今天在 indico 選擇的深度學習庫。
優點：
由軟體巨頭 Google 支持
非常大的社區
低級和高級介面網路訓練
比基於 Theano 配置更快的模型編譯
完全地多 GPU 支持
缺點：
雖然 Tensorflow 正在追趕，但是最初在許多基準上比基於 Theano 的慢。
RNN 支持仍不如 Theano
Keras
描述：Python 的深度學習庫。支持 Convnets、遞歸神經網路等。在 Theano 或者 TensorFlow 上運行。
概述：Keras 也許是水平最高，對用戶最友好的庫了。由 Francis Chollet(Google Brain 團隊中的另一個成員)編寫和維護。它允許用戶選擇其所構建的模型是在 Theano 上或是在 TensorFlow 上的符號圖上執行。Keras 的用戶界面受啟發於 Torch，所以如果你以前有過使用 Lua 語言的機器學習經驗，Keras 絕對值得一看。由於部分非常優秀的文檔和其相對易用性，Keras 的社區非常大並且非常活躍。最近，TensorFlow 團隊宣布計劃與 Keras 一起支持內置，所以很快 Keras 將是 TensorFlow 項目的一個分組。
優點：
可供選擇的 Theano 或者 TensorFlow 後端
直觀、高級別的埠
更易學習
缺點：
不太靈活，比其他選擇更規范
MXNet
描述：MXNet 是一個旨在提高效率和靈活性的深度學習框架。
概述：MXNet 是亞馬遜(Amazon)選擇的深度學習庫，並且也許是最優秀的庫。它擁有類似於 Theano 和 TensorFlow 的數據流圖，為多 GPU 配置提供了良好的配置，有著類似於 Lasagne 和 Blocks 更高級別的模型構建塊，並且可以在你可以想像的任何硬體上運行(包括手機)。對 Python 的支持只是其冰山一角—MXNet 同樣提供了對 R、Julia、C++、Scala、Matlab，和 Javascript 的介面。如果你正在尋找最佳的性能，選擇 MXNet 吧，但是你必須願意處理與之相對的一些 MXNet 的怪癖。
優點：
速度的標桿
非常靈活
缺點：
最小的社區
比 Theano 更困難的學習難度
PyTorch
描述：Python 中的張量(Tensors)和動態神經網路，有著強大的 GPU 加速。
概述：剛剛放出一段時間，PyTorch 就已經是我們 Python 深度學習框架列表中的一個新的成員了。它是從 Lua 的 Torch 庫到 Python 的鬆散埠，由於它由 Facebook 的 人工智慧研究團隊(Artificial Intelligence Research team (FAIR))支持且因為它用於處理動態計算圖(Theano，TensorFlow 或者其他衍生品沒有的特性，編譯者註：現在 TensorFlow 好像支持動態計算圖)，它變得非常的有名。PyTorch 在 Python 深度學習生態系統將扮演怎樣的角色還不得而知，但所有的跡象都表明，PyTorch 是我們列表中其他框架的一個非常棒的選擇。
優點:
來自 Facebook 組織的支持
完全地對動態圖的支持
高級和低級 API 的混合
缺點：
比其他選擇，PyTorch 還不太成熟
B. 醫學圖像三維重建，體繪制中的光線投射演算法（raycast）的MATLAB或者python實現代碼
介紹了運用Matlab軟體進行CT斷層圖像的三維重建的原理及實現方法。運用計算機圖形學和圖像處理技術將計算機斷層掃描（CT）等成像設備得到的人體斷層二維圖像序列，在計算機中重建成三維圖像數據，並在屏幕上形象逼真地顯示人體器官的立體視圖。可以對重構出的器官圖像進行諸如旋轉、縮放等操作，重建方法簡單，顯示效果良好
C. 大數據專業成熱門，該如何轉行做大數據分析師
那我就轉載一篇別人轉行做數據分析的經驗貼給題主吧：
親愛的各位加米穀學院的老師和同學們好，首先非常感謝大家在17年9月到18年3月份5個月時間的陪伴，以及張老師和曾老師在我學習期間的耐心輔導。在大數據培訓的道路上，正是因為有你們的辛勤付出與陪伴，才讓我在大數據職業道路上有了今天我很滿意的薪資待遇。再次謝謝你們！
在數據分析挖掘培訓的過程中給我印象最深就是張老師，張老師的課講的很清楚，尤其是PPT圖解理論，讓我這樣的0基礎學員能夠理解到位，不愧是國家大數據標准組的成員。雖然只有短短五個月的學習時間，但是對於我個人來說收獲非常大，不止讓我從一個小白成功入行，並成功面試到張老師推薦的公司，拿到了我非常滿意的薪水。
張老師希望我可以給後面的學弟學妹們分享一點學習經驗，學習這件事大家都不陌生，大家都是經歷過十幾年的學習生涯。尤其是轉行0基礎學習大數據的同學，對大數據行業了解的也一定很清楚了，才會決定來進行大數據培訓。下面我只說5個方面，後面的學弟學妹可以從中作參考，也希望對你們有幫助。
1、興趣是最好的老師，既然決定轉好從0基礎學習大數據，那你一定要從心裡愛上它，只有你真正的上心了，才能有動力去學好它。
2、多看，課前預習是少不了的，課前老師都會把當天講的課件提前發給你，一定要抽出時間先認真看一下，否則，你會發現到時候老師講的內容你接受起來非常吃力。
3、多問，如果你是一個0基礎學習大數據，之前沒有任何編程基礎，遇到問題一定要多問，第一時間問老師，不要礙著面子死撐，一方面可以鍛煉你的溝通能力，是否能用盡量通俗的話語讓老師明白你遇到的問題所在（對你以後面試很有幫助），另一方面現在的學習成果也影響著以後的薪資待遇。
4、多練，加米穀學院每個階段的實訓項目都是很有針對性的，全部是來自真實企業中真實的項目，現在多練習對於以後的面試以及工作經驗都會非常的有幫助。
5、勤奮，這個說起來很簡單，人都是有惰性的，就像我們上學時候一樣，同樣一個班級，老師教的東西也都一樣，為什麼有的學習好，有的學習不好？數據分析培訓也一樣，畢業之後為什麼有的薪資可以拿到18K，有的卻只有幾千？這跟自己的勤奮程度是成正比的，每個人請找到自己的勤奮點，加油！