A. python深度学习框架学哪个
Python 深度学习生态系统在这几年中的演变实属惊艳。pylearn2，已经不再被积极地开发或者维护，大量的深度学习库开始接替它的位置。这些库每一个都各有千秋。我们已经在 indico 的产品或者开发中使用了以下列表中的大部分的技术，但是对于剩下一些我们没有使用的，我将会借鉴他人的经验来帮助给出 Python 深度学习生态系统的清晰的、详尽的理解。
确切地说，我们将会关注：
Theano
Lasagne
Blocks
TensorFlow
Keras
MXNet
PyTorch
下面是对这 7 大 Python 深度学习框架的描述以及优缺点的介绍。
Theano
描述：Theano 是一个 Python 库，允许你定义、优化并且有效地评估涉及到多维数组的数学表达式。它与 GPUs 一起工作并且在符号微分方面表现优秀。
概述：Theano 是数值计算的主力，它支持了许多我们列表当中的其他的深度学习框架。Theano 由 Frédéric Bastien 创建，这是蒙特利尔大学机器学习研究所(MILA)背后的一个非常优秀的研究团队。它的 API 水平较低，并且为了写出效率高的 Theano，你需要对隐藏在其他框架幕后的算法相当的熟悉。如果你有着丰富的学术机器学习知识，正在寻找你的模型的精细的控制方法，或者想要实现一个新奇的或者不同寻常的模型，Theano 是你的首选库。总而言之，为了灵活性，Theano 牺牲了易用性。
优点：
灵活
正确使用时的高性能
缺点：
较高的学习难度
低水平的 API
编译复杂的符号图可能很慢
Lasagne
描述：在 Theano 上建立和训练神经网络的轻量级库
概述：因为 Theano 致力于成为符号数学中最先且最好的库，Lasagne 提供了在 Theano 顶部的抽象，这使得它更适合于深度学习。它主要由当前 DeepMind 研究科学家 Sander Dieleman 编写并维护。Lasagne 并非是根据符号变量之间的函数关系来指定网络模型，而是允许用户在层级思考，为用户提供了例如“Conv2DLayer”和“DropoutLayer”的构建块。Lasagne 在牺牲了很少的灵活性的同时，提供了丰富的公共组件来帮助图层定义、图层初始化、模型正则化、模型监控和模型训练。
优点：
仍旧非常灵活
比 Theano 更高级的抽象
文档和代码中包含了各种 Pasta Puns
缺点：
社区小
Blocks
描述：用于构建和训练神经网络的 Theano 框架
概述：与 Lasagne 类似，Blocks 是在 Theano 顶部添加一个抽象层使深度学习模型比编写原始的 Theano 更清晰、更简单、定义更加标准化。它是由蒙特利尔大学机器学习研究所(MILA)编写，其中一些人为搭建 Theano 和第一个神经网络定义的高级接口(已经淘汰的 PyLearn2)贡献了自己的一份力量。比起 Lasagne，Blocks 灵活一点，代价是入门台阶较高，想要高效的使用它有不小的难度。除此之外，Blocks 对递归神经网络架构(recurrent neural network architectures)有很好的支持，所以如果你有兴趣探索这种类型的模型，它值得一看。除了 TensorFlow，对于许多我们已经部署在 indico 产品中的 API，Blocks 是其首选库。
优点：
仍旧非常灵活
比 Theano 更高级的抽象
易于测试
缺点：
较高的学习难度
更小的社区
TensorFlow
描述：用于数值计算的使用数据流图的开源软件库
概述：TensorFlow 是较低级别的符号库(比如 Theano)和较高级别的网络规范库(比如 Blocks 和 Lasagne)的混合。即使它是 Python 深度学习库集合的最新成员，在 Google Brain 团队支持下，它可能已经是最大的活跃社区了。它支持在多 GPUs 上运行深度学习模型，为高效的数据流水线提供使用程序，并具有用于模型的检查，可视化和序列化的内置模块。最近，TensorFlow 团队决定支持 Keras(我们列表中下一个深度学习库)。虽然 TensorFlow 有着自己的缺点，但是社区似乎同意这一决定，社区的庞大规模和项目背后巨大的动力意味着学习 TensorFlow 是一次安全的赌注。因此，TensorFlow 是我们今天在 indico 选择的深度学习库。
优点：
由软件巨头 Google 支持
非常大的社区
低级和高级接口网络训练
比基于 Theano 配置更快的模型编译
完全地多 GPU 支持
缺点：
虽然 Tensorflow 正在追赶，但是最初在许多基准上比基于 Theano 的慢。
RNN 支持仍不如 Theano
Keras
描述：Python 的深度学习库。支持 Convnets、递归神经网络等。在 Theano 或者 TensorFlow 上运行。
概述：Keras 也许是水平最高，对用户最友好的库了。由 Francis Chollet(Google Brain 团队中的另一个成员)编写和维护。它允许用户选择其所构建的模型是在 Theano 上或是在 TensorFlow 上的符号图上执行。Keras 的用户界面受启发于 Torch，所以如果你以前有过使用 Lua 语言的机器学习经验，Keras 绝对值得一看。由于部分非常优秀的文档和其相对易用性，Keras 的社区非常大并且非常活跃。最近，TensorFlow 团队宣布计划与 Keras 一起支持内置，所以很快 Keras 将是 TensorFlow 项目的一个分组。
优点：
可供选择的 Theano 或者 TensorFlow 后端
直观、高级别的端口
更易学习
缺点：
不太灵活，比其他选择更规范
MXNet
描述：MXNet 是一个旨在提高效率和灵活性的深度学习框架。
概述：MXNet 是亚马逊(Amazon)选择的深度学习库，并且也许是最优秀的库。它拥有类似于 Theano 和 TensorFlow 的数据流图，为多 GPU 配置提供了良好的配置，有着类似于 Lasagne 和 Blocks 更高级别的模型构建块，并且可以在你可以想象的任何硬件上运行(包括手机)。对 Python 的支持只是其冰山一角—MXNet 同样提供了对 R、Julia、C++、Scala、Matlab，和 Javascript 的接口。如果你正在寻找最佳的性能，选择 MXNet 吧，但是你必须愿意处理与之相对的一些 MXNet 的怪癖。
优点：
速度的标杆
非常灵活
缺点：
最小的社区
比 Theano 更困难的学习难度
PyTorch
描述：Python 中的张量(Tensors)和动态神经网络，有着强大的 GPU 加速。
概述：刚刚放出一段时间，PyTorch 就已经是我们 Python 深度学习框架列表中的一个新的成员了。它是从 Lua 的 Torch 库到 Python 的松散端口，由于它由 Facebook 的 人工智能研究团队(Artificial Intelligence Research team (FAIR))支持且因为它用于处理动态计算图(Theano，TensorFlow 或者其他衍生品没有的特性，编译者注：现在 TensorFlow 好像支持动态计算图)，它变得非常的有名。PyTorch 在 Python 深度学习生态系统将扮演怎样的角色还不得而知，但所有的迹象都表明，PyTorch 是我们列表中其他框架的一个非常棒的选择。
优点:
来自 Facebook 组织的支持
完全地对动态图的支持
高级和低级 API 的混合
缺点：
比其他选择，PyTorch 还不太成熟
B. 医学图像三维重建，体绘制中的光线投射算法（raycast）的MATLAB或者python实现代码
介绍了运用Matlab软件进行CT断层图像的三维重建的原理及实现方法。运用计算机图形学和图像处理技术将计算机断层扫描（CT）等成像设备得到的人体断层二维图像序列，在计算机中重建成三维图像数据，并在屏幕上形象逼真地显示人体器官的立体视图。可以对重构出的器官图像进行诸如旋转、缩放等操作，重建方法简单，显示效果良好
C. 大数据专业成热门，该如何转行做大数据分析师
那我就转载一篇别人转行做数据分析的经验贴给题主吧：
亲爱的各位加米谷学院的老师和同学们好，首先非常感谢大家在17年9月到18年3月份5个月时间的陪伴，以及张老师和曾老师在我学习期间的耐心辅导。在大数据培训的道路上，正是因为有你们的辛勤付出与陪伴，才让我在大数据职业道路上有了今天我很满意的薪资待遇。再次谢谢你们！
在数据分析挖掘培训的过程中给我印象最深就是张老师，张老师的课讲的很清楚，尤其是PPT图解理论，让我这样的0基础学员能够理解到位，不愧是国家大数据标准组的成员。虽然只有短短五个月的学习时间，但是对于我个人来说收获非常大，不止让我从一个小白成功入行，并成功面试到张老师推荐的公司，拿到了我非常满意的薪水。
张老师希望我可以给后面的学弟学妹们分享一点学习经验，学习这件事大家都不陌生，大家都是经历过十几年的学习生涯。尤其是转行0基础学习大数据的同学，对大数据行业了解的也一定很清楚了，才会决定来进行大数据培训。下面我只说5个方面，后面的学弟学妹可以从中作参考，也希望对你们有帮助。
1、兴趣是最好的老师，既然决定转好从0基础学习大数据，那你一定要从心里爱上它，只有你真正的上心了，才能有动力去学好它。
2、多看，课前预习是少不了的，课前老师都会把当天讲的课件提前发给你，一定要抽出时间先认真看一下，否则，你会发现到时候老师讲的内容你接受起来非常吃力。
3、多问，如果你是一个0基础学习大数据，之前没有任何编程基础，遇到问题一定要多问，第一时间问老师，不要碍着面子死撑，一方面可以锻炼你的沟通能力，是否能用尽量通俗的话语让老师明白你遇到的问题所在（对你以后面试很有帮助），另一方面现在的学习成果也影响着以后的薪资待遇。
4、多练，加米谷学院每个阶段的实训项目都是很有针对性的，全部是来自真实企业中真实的项目，现在多练习对于以后的面试以及工作经验都会非常的有帮助。
5、勤奋，这个说起来很简单，人都是有惰性的，就像我们上学时候一样，同样一个班级，老师教的东西也都一样，为什么有的学习好，有的学习不好？数据分析培训也一样，毕业之后为什么有的薪资可以拿到18K，有的却只有几千？这跟自己的勤奋程度是成正比的，每个人请找到自己的勤奋点，加油！