【区域脑图论文笔记】BrainNetCNN：第一个专门为脑网络连接体数据设计的深度学习框架

2024-05-24 07:44
文章标签 数据 设计 学习 笔记 深度 区域 第一个 框架 论文 专门 网络连接 脑图 brainnetcnn 为脑

本文主要是介绍【区域脑图论文笔记】BrainNetCNN：第一个专门为脑网络连接体数据设计的深度学习框架，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

【区域脑图论文笔记】BrainNetCNN：第一个专门为脑网络连接体数据设计的深度学习框架

  • 信息概览与提炼
  • 采用的数据与结果
    • 数据集
    • 结果概览一眼
  • 重点图与方法概览
  • 核心与优劣总结
  • 模型与实验
    • 论文方法
      • E2E的理解
      • E2N的理解
      • N2G的理解
      • 三个卷积层设计的理解
    • 论文实验与讨论
  • 总结与思考
  • 实现的一些细节
  • 权重初始化
  • 推荐及下篇笔记

信息概览与提炼

在这里插入图片描述

  • 原名: BrainNetCNN: Convolutional neural networks for brain networks; towards predicting neurodevelopment
  • 论文链接: https://www.sciencedirect.com/science/article/abs/pii/S1053811916305237
  • 代码链接:
    • 官方提供：http://www.BrainNetCNN.cs.sfu.ca
    • https://github.com/furtherAdu/BrainNetCNN_Personality
    • https://github.com/jeremykawahara/ann4brains/blob/master/ann4brains
    • https://github.com/nicofarr/brainnetcnnVis_pytorch
  • 来源: NeuroImage
  • 任务: cognitive scores认知得分, motor scores运动得分, 图回归, 年龄预测
  • year: 2017
  • 数据格式: DTI（结构数据）
  • 数据集: 早产儿-DTI-温哥华BC115（年龄：为24至32周PMA，数量168, 115名主体）
  • 构图模式: 区域脑图，单模，同构图, 静态，全连接，有向，加权
  • 方法关键词: edge-based, 图结构学习，CNN，区域脑图，单模态
  • 主要贡献点总结: BrainNetCNN，这是第一个用于连接组数据的CNN回归器。设计了三种专门的卷积层类型，旨在利用加权大脑网络中固有的结构。
  • 其他辅助信息：BrainNetCNN的官方网站：https://brainnetcnn.cs.sfu.ca/About.html，包括模型的简介和软件等

采用的数据与结果

数据集

  1. 文章源话

    • 27 and 46 weeks gestational age
    • The data for this study is from a cohort of infants born very preterm, between 24 and 32 weeks PMA （postmenstrual age）, and imaged at BC Children’s Hospital in Vancouver, Canada.
    • scans of 115 infants were used. Roughly half of the infants were scanned twice…for a total of 168 scans.
    • Using a neonatal atlas of anatomical regions from the University of North Carolina (UNC) School of Medicine at Chapel Hill
    • a weighted, undirected network was constructed from each scan
    • 90 x 90 symmetric adjacency matrix with zeros along the diagonal and is scaled to [0,1]

  2. 早产儿/婴幼儿年龄概念【医学概念知识拓展】

    • Gestational age (completed weeks): time elapsed between the first day of the last menstrual period and the day of delivery. If pregnancy was achieved using assisted reproductive technology, gestational age is calculated by adding 2 weeks to the conceptional age.
      孕龄（完整周数）：末次月经第一天与分娩日之间的时间。如果妊娠是通过辅助生殖技术实现的，孕龄的计算方法是在受孕年龄上加2周。
    • Chronological age (days, weeks, months, or years): time elapsed from birth.
      实足年龄（日、周、月或年）：从出生开始经过的时间。
    • Postmenstrual age (weeks): gestational age plus chronological age.
      经后年龄（周）：胎龄加实际年龄。
    • Corrected age (weeks or months): chronological age reduced by the number of weeks born before 40 weeks of gestation; the term should be used only for children up to 3 years of age who were born preterm.
      校正年龄（周或月）：实际年龄减去妊娠40周前出生的周数;该术语仅适用于3岁以下早产的儿童。
    • During the perinatal period neonatal hospital stay, “postmenstrual age” is preferred to describe the age of preterm infants. After the perinatal period, “corrected age” is the preferred term.
      在围产期新生儿住院期间，首选“经后年龄”来描述早产儿的年龄。在围产期之后，“校正年龄”是首选术语。

  3. 总结

    • 主体数目：115
    • 总图像数：168（约有一半的婴儿接受了两次扫描）
    • 主体年龄信息：24-32周（早产儿）
    • 模态类型：DTI
    • 图谱：UNC
    • 节点数：90
    • 连接矩阵信息：对称，对角线为0，归一化
    • 脑图：90节点，加权图，同构图，初始特征在边上，有向图（从代码和公式上来看）

结果概览一眼

这里先了解一下论文的总体结果（其他结果在下面的笔记）

  • 实验设置：3折交叉验证
  • 年龄任务：MAE为2.17周（或总年龄范围的11.1%），SDAE为1.59周。预测年龄和真实年龄之间的相关性为0.864。
    • 文章源话：💡 Using E2Enet-sml , we were able to accurately predict PMA, with an MAE of 2.17 weeks (or 11.1% of the total age range) and an SDAE of 1.59 weeks. The correlation between predicted and ground-truth age was 0.864. FC90net model performed slightly worse than E2Enet-sml, achieving an MAE of 2.29 weeks, SDAE of 1.65 weeks and a correlation of 0.858. Similarly, the E2Nnet-sml model slightly underperformed E2Enet-sml, achieving an MAE of 2.377, SDAE of 1.72 and a correlation of 0.843.】
  • 认知和运动评分任务：认知和运动评分的预测值和真实值之间的平均差异在统计学上与零无显著差异（p值分别为0.6817和0.9731），两者的MAR均小于11.6%
    在这里插入图片描述

重点图与方法概览

在这里插入图片描述上面是BrainNetCNN论文的主题框架图

在这里插入图片描述
从图1可以看出BrainNetCNN主要包括三个卷积层，也就是E2E,E2N和N2G：

  • E2E层：Edge-to-edge Layer，也就是边到边层，也就是下图的a子图。
  • E2N层：Edge-to-Node Layer，也就是边到节点层，也就是下图的b子图。
  • N2G层：Node-to-Graph Layer，也就是节点到图层，也就是下图的c子图。
    在这里插入图片描述

由这三个卷积层最终依次更新边的特征（也就是连接矩阵中的元素特征），节点的特征，和整个脑图的特征，最后得到脑图的嵌入。

核心与优劣总结

核心与其理解

  1. 核心：BrainNetCNN的核心在于它是第一个专门为脑网络连接体数据设计的深度学习框架（16/17年）。与传统的深度学习框架相比（BrainNetCNN是跟基于图像的CNN框架对比）,BrainNetCNN的E2E，E2N，N2G层的设计更有利于脑拓扑局部结构的学习，更具可解释性。
  2. 核心思想的理解：本质上就是把连接矩阵的每个元素当成节点间边的连接，也就是加权的全连接图。因此，BrainNetCNN其实考虑了连接矩阵的含义。也就是矩阵的每个元素相当于边。对于脑科学的任务来说，最终就是为了获取脑图的嵌入（对于区域脑图类型来说）。所以，BrainNetCNN在边特征的基础上思考应该怎么去获取整个脑图的嵌入。在BrainNetCNN中，其采用先将边特征聚合到节点层（E2N），在将节点层的特征聚合到图层（N2G），以此得到整个脑图的嵌入。在上面的理解中就包括了E2N和N2G层。E2E层可以理解为获取更高维/有效的边特征。

优势总结

  1. 第一个专门为脑网络连接体数据设计的深度学习框架，考虑了连接矩阵的含义，而不是把脑影像单纯的当成图像或者把连接矩阵当成图像来看。
  2. 采用了模拟损伤实验
  3. 采用了SMOTE过采样的方法来缓解样本量少带来的问题
  4. 可视化（注意对于脑科学论文来说，可视化是比较重要且必要的）的结果：可视化的机构发现对于预测年龄重要的连接在整个脑网络中的分布良好；对于运动和认知分数相关的重要连接与相关脑区相关。
  5. 开源

不足总结

  1. 单一数据集，单一模态，数据样本量少（但其实这也是很多脑科学的挑战之处）。
  2. 没有和比较当时经典的图像模型相比（文中只对比了FC30/90这些，感觉至少应该对比一下CNN😂），其实还是性能上有待考究的。与图像模型相比的话，脑网络模型的优势在于可解释性。
  3. 一些数据处理的细节其实在文本并没有给出，需要从源码看一下
  4. 虽然考虑了脑的拓扑结构，但模型的可解释性有待进一步优化。

模型与实验

这里笔记部分就不记载论文相关的背景及相关工作等的介绍了，主要介绍的是模型与实验部分以及相关笔者觉得比较重要的可视化结果。下面将帮助友友们理解一下E2E，E2N和N2G层。

论文方法

根据上述的总结与概述，BrainNetCNN的核心在于E2E,E2N和N2G三个层。所以理解这三个层的思想及公式，其实就可以理解BrainNetCNN。通过理解思路加上代码，应该没有问题了。
在这里插入图片描述
图来源于：Convolutional Neural Networks for Adjacency Matrices

PS：下面的图如果没有另外说明就是来源于Convolutional Neural Networks for Adjacency Matrices

E2E的理解

对应的论文公式：
在这里插入图片描述其中， A i , j A_{i,j} Ai,j​为连接矩阵的第i行第j列的元素，也就是脑网路中节点i与节点j连接的边。比如像下图1这条边对应右边连接矩阵的A、B节点的矩阵元素。
在这里插入图片描述

A i , k ∣ k ∈ ∣ Ω ∣ A_{i,k}|k \in|\Omega| Ai,k​∣k∈∣Ω∣就相当于下面动图中黄十字横着的那一行， A k , j ∣ k ∈ ∣ Ω ∣ A_{k,j}|k \in|\Omega| Ak,j​∣k∈∣Ω∣就相当于下面动图中黄十字横着的那一列。

下图为边到边（E2E）卷积层更新边的计算过程，也就是计算给定边的相邻边的加权响应。
在这里插入图片描述
（左）输入连接矩阵，其中黄色十字部分为卷积，（右）输出连接矩阵，黄色代表左黄色十字的响应。

比如对于A节点和C节点这条边，通过卷积与AC这条边直接连接的边（粉色部分）就可以得到红色部分对应的AC矩阵元素，也就是新的AC边的特征表示。而橙色就代表对应的学习权重，也就是卷积层。
在这里插入图片描述
在这里插入图片描述除此之外，可以看到公式里面对 A i , k ∣ k ∈ ∣ Ω ∣ A_{i,k}|k \in|\Omega| Ai,k​∣k∈∣Ω∣和 A k , j ∣ k ∈ ∣ Ω ∣ A_{k,j}|k \in|\Omega| Ak,j​∣k∈∣Ω∣使用的是不同的权重系数，因此，在BrainNetCNN中其把脑图看成一种有向图，也就是A节点到B节点和B节点到A节点的计算是不一致的。

对应的Pytorch代码：

class E2EBlock(torch.nn.Module):'''E2Eblock.'''def __init__(self, in_planes, planes,example,bias=False):super(E2EBlock, self).__init__()self.d = example.size(3)self.cnn1 = torch.nn.Conv2d(in_planes,planes,(1,self.d),bias=bias)self.cnn2 = torch.nn.Conv2d(in_planes,planes,(self.d,1),bias=bias)def forward(self, x):a = self.cnn1(x)b = self.cnn2(x)return torch.cat([a]*self.d,3)+torch.cat([b]*self.d,2)

E2N的理解

对应的论文公式：
在这里插入图片描述其中， a i a_{i} ai​代表的其实就是节点 i。这里同样可以看到公式里面对 A i , k ∣ k ∈ ∣ Ω ∣ A_{i,k}|k \in|\Omega| Ai,k​∣k∈∣Ω∣和 A k , j ∣ k ∈ ∣ Ω ∣ A_{k,j}|k \in|\Omega| Ak,j​∣k∈∣Ω∣使用的是不同的权重系数，因此，在BrainNetCNN中其把脑图看成一种有向图。

下面给出上面公式的动图计算过程：
下图为边到点（E2N）卷积层更新边的计算过程，也就是计算给定节点的相邻边上的加权响应。
在这里插入图片描述
（左）输入连接矩阵，其中黄色十字部分为卷积，（右）输出节点特征（一个元素代表一个节点），黄色代表节点，也就是左黄色十字的响应。

如果动图还不能理解，可以看这里的例子：
比如对于A节点，通过卷积与A节点直接连接的边（粉色部分）就可以得到红色部分对应的新的A节点的特征表示。橙色就代表对应的学习权重，也就是卷积层。
在这里插入图片描述
对应的Pytorch代码：

self.E2N = torch.nn.Conv2d(64,1,(1,self.d))

N2G的理解

对应的论文公式：
在这里插入图片描述其中， a a a代表的其实就是整个脑图的嵌入。

N2G层就像相当于GNN中的读出层，这里作者应用的是1D空间卷积。将所有节点特征加权卷积成整个图嵌入表示。
在这里插入图片描述简单粗略地理解：从上图来看就是把每个节点的特征维度映射为1维度，这样子就可以把所有的节点特征转化为1XN的脑嵌入了。

对应的Pytorch代码：

self.N2G = torch.nn.Conv2d(1,256,(self.d,1))

三个卷积层设计的理解

整体上看来的话，E2E,E2N,N2G这三层卷积的计算操作其实为了减少计算量，通过上面的操作就可以减少整个卷积层的计算机维度。要知道这里减少计算量的操作还是有效的。尤其是对于像脑科学这种数据量相对少的情况。BrainNetCNN的图像数也就168。过复杂的卷积计算不利于模型的学习。

论文实验与讨论

这里笔者我不会过多的去讨论这里的实验结果，一个是文中对比的模型是FC，另外一个是对于研究者来说更多的可能是这篇论文的研究思路。

在结果概览那里已经可以看到模型的最后结果了，所以对于结果细节感兴趣的可以去看一下论文。下面只罗列一些笔者比较感兴趣的论文讨论结论。

这里面向的是早产儿数据。
在这里插入图片描述论文指出，许多来自右额中回（MFG）的大脑连接（边缘）被选为运动和认知评分的积极结果的预测。左侧楔前叶（PCUN）、梭状回（FFG）、上级额回（SFGdor）和右侧舌回（LING）也是两个评分的重要连接的突出枢纽。对于运动评分，两个上级额回之间的连接显得特别重要。相比之下，左FFG和右LING之间的连接被强调为对于认知分数比对于运动分数相对更重要。

与发现对预测神经发育结果很重要的边缘集相比，发现对预测年龄很重要的边缘集在大脑网络中的分布要广泛得多（图6）。只有右LING和右FFG之间的联系似乎是一个特别强的预测因素。我们在下面讨论这些观察结果的可能解剖学原因。

与预测神经发育结果的边缘相比，发现对预测PMA重要的边缘在整个大脑网络中更为广泛。这是预期的，因为整个大脑在发育的早期阶段发育（即，许多连接随年龄变化）而运动或认知功能主要取决于特定的子网络。一个特别突出的对年龄有积极预测作用的联系是右LING和FFG之间的联系。这一结果与我们对健康早产儿发育的分析一致

总结与思考

BrainNetCNN的核心在于它是第一个专门为脑网络连接体数据设计的深度学习框架（16/17年）。与传统的深度学习框架相比（BrainNetCNN是跟基于图像的CNN框架对比）,BrainNetCNN的E2E，E2N，N2G层的设计更有利于脑拓扑局部结构的学习，更具可解释性。

从BrainNetCNN的论文中可以看出它卷积层的设计其实还蛮有趣的，通过这样子的计算的确会大大减少计算量。

另外值得关注的一点就是它在E2E,E2N层的设计也可以看出它是把图当成有向图而不是无向图

另外这是脑科学考虑拓扑性的一个深度学习框架，有些思路是值得我们学习的：

  1. 根据脑网络的拓扑属性来设计框架
  2. 对于少数据量的情况下，应该如何控制模型的复杂度，使模型更能学习到数据本身的特征
  3. 对于脑科学领域来说，可解释性是必要的，进行相关的可视化分析也是必要的。
  4. 另外BrainNetCNN与后面BrainGNN系列的模型不同，它关注在于边上，也就是连接上，这对于功能数据来说是比较重要的。因为22年几篇Nature的文章之处信息交流才是重点，信息交流其实就可以看成边。但从GNN角度出发，就是丰富的特征组成有利于模型的学习。既然如此，也就是说节点特征+边特征>单一的特征。也就是最近两年来部分研究工作的做法了。

实现的一些细节

  • 官方的一些实现细节：

    模块权重初始化层数bias
    FC-caffeweight——"xavier”（lr_mult=1, decay_mult=1）；bias——“constant”（value=0，lr_mult=2, decay_mult=0）F.dropout(F.leaky_relu(self.dense1(out),negative_slope=0.33),p=0.5)torch.nn.Linear——>(256,128,30,2)3True
    E2E-CONVweight——"xavier”（lr_mult=1, decay_mult=1）；bias——“constant”（value=0，lr_mult=2, decay_mult=0）F.leaky_relu(self.e2econv1(x),negative_slope=0.33)E2EBlock(1,32,example,bias=True)-E2EBlock(32,64,example,bias=True)2True
    E2N-CONVweight——"xavier”（lr_mult=1, decay_mult=1）；bias——“constant”（value=0，lr_mult=2, decay_mult=0）F.leaky_relu(self.E2N(out),negative_slope=0.33)torch.nn.Conv2d(64,1,(1,self.d))1True
    N2G-CONVweight——"xavier”（lr_mult=1, decay_mult=1）；bias——“constant”（value=0，lr_mult=2, decay_mult=0）F.dropout(F.leaky_relu(self.N2G(out),negative_slope=0.33),p=0.5)torch.nn.Conv2d(1,256,(self.d,1))1True
    Pytorchxavier_uniform_(self.u_conv.weight, gain=1.0), torch.nn.init.constant_(self.g_conv.bias, 0)F.dropout(F.leaky_relu(self.N2G(out),negative_slope=0.33),p=0.5)
out = F.leaky_relu(self.e2econv1(x),negative_slope=0.33)
out = F.leaky_relu(self.e2econv2(out),negative_slope=0.33) 
out = F.leaky_relu(self.E2N(out),negative_slope=0.33)
out = F.dropout(F.leaky_relu(self.N2G(out),negative_slope=0.33),p=0.5)
out = out.view(out.size(0), -1)
out = F.dropout(F.leaky_relu(self.dense1(out),negative_slope=0.33),p=0.5)
out = F.dropout(F.leaky_relu(self.dense2(out),negative_slope=0.33),p=0.5)
out = F.leaky_relu(self.dense3(out),negative_slope=0.33)

权重初始化

  • Caffe 代码
from caffe import layers as L
from caffe import params as Pdef full_connect(bottom, num_output,weight_filler=dict(type="xavier"),bias_filler=dict(type="constant", value=0),param=[dict(lr_mult=1, decay_mult=1),  # weight learning rate parametersdict(lr_mult=2, decay_mult=0)]  # bias learning rate parameters):fc = L.InnerProduct(bottom, num_output=num_output,weight_filler=weight_filler,bias_filler=bias_filler,param=param)return fcdef e2n_conv(bottom, num_output, kernel_h, kernel_w,weight_filler=dict(type="xavier"),bias_filler=dict(type="constant", value=0),param=[dict(lr_mult=1, decay_mult=1),  # weight learning rate parametersdict(lr_mult=2, decay_mult=0)]  # bias learning rate parameters):"""Edge-to-Node convolution.This is implemented only as a 1 x d rather than combined with d x 1,since our tests did not show a consistent improvement with them combined."""# 1xL convolution.conv_1xd = L.Convolution(bottom, num_output=num_output, stride=1,kernel_h=1, kernel_w=kernel_w,weight_filler=weight_filler, bias_filler=bias_filler,param=param)return conv_1xddef e2e_conv(bottom, num_output, kernel_h, kernel_w,weight_filler=dict(type="xavier"),bias_filler=dict(type="constant", value=0),param=[dict(lr_mult=1, decay_mult=1),  # weight learning rate parametersdict(lr_mult=2, decay_mult=0)]  # bias learning rate parameters):"""Implementation of the e2e filter."""# kernel_h x 1 convolution.conv_dx1 = L.Convolution(bottom, num_output=num_output, stride=1,kernel_h=kernel_h, kernel_w=1,weight_filler=weight_filler, bias_filler=bias_filler,param=param)# 1 x kernel_w convolution.conv_1xd = L.Convolution(bottom, num_output=num_output, stride=1,kernel_h=1, kernel_w=kernel_w,weight_filler=weight_filler, bias_filler=bias_filler,param=param)# Concat all the responses together.# For dx1, produce a dxd matrix.concat_dx1_dxd = L.Concat(*[conv_dx1] * kernel_w, concat_param=dict(axis=2))# For 1xd, produce a dxd matrix.concat_1xd_dxd = L.Concat(*[conv_1xd] * kernel_h, concat_param=dict(axis=3))# Sum the dxd matrices together element-wise.sum_dxd = L.Eltwise(concat_dx1_dxd, concat_1xd_dxd, eltwise_param=dict(operation=P.Eltwise.SUM))return sum_dxd
  • Pytorch代码
class BrainNetCNN(torch.nn.Module):def __init__(self, example, num_classes=10):super(BrainNetCNN, self).__init__()self.in_planes = example.size(1)self.d = example.size(3)self.e2econv1 = E2EBlock(1,32,example,bias=True)self.e2econv2 = E2EBlock(32,64,example,bias=True)self.E2N = torch.nn.Conv2d(64,1,(1,self.d))self.N2G = torch.nn.Conv2d(1,256,(self.d,1))self.dense1 = torch.nn.Linear(256,128)self.dense2 = torch.nn.Linear(128,30)self.dense3 = torch.nn.Linear(30,2)def forward(self, x):out = F.leaky_relu(self.e2econv1(x),negative_slope=0.33)out = F.leaky_relu(self.e2econv2(out),negative_slope=0.33) out = F.leaky_relu(self.E2N(out),negative_slope=0.33)out = F.dropout(F.leaky_relu(self.N2G(out),negative_slope=0.33),p=0.5)out = out.view(out.size(0), -1)out = F.dropout(F.leaky_relu(self.dense1(out),negative_slope=0.33),p=0.5)out = F.dropout(F.leaky_relu(self.dense2(out),negative_slope=0.33),p=0.5)out = F.leaky_relu(self.dense3(out),negative_slope=0.33)return outnet = BrainNetCNN(trainset.X)if use_cuda:net = net.cuda()#net = torch.nn.DataParallel(net, device_ids=[0])cudnn.benchmark = Truedef init_weights_he(m):#https://keras.io/initializers/#he_uniformprint(m)if type(m) == torch.nn.Linear:fan_in = net.dense1.in_featureshe_lim = np.sqrt(6) / fan_inm.weight.data.uniform_(-he_lim,he_lim)
#        print(m.weight)net.apply(init_weights_he)

推荐及下篇笔记

  1. 本笔记推荐的阅读清单：

    • Convolutional Neural Networks for Adjacency Matrices：https://github.com/jeremykawahara/ann4brains?tab=readme-ov-file
    • 论文原文

  2. 下篇笔记：【区域脑图论文笔记】BrainNet：Inference of brain network topology using Machine Learning

这篇关于【区域脑图论文笔记】BrainNetCNN：第一个专门为脑网络连接体数据设计的深度学习框架的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/997792。

相关文章

深度解析Spring Security 中的 SecurityFilterChain核心功能

深度解析Spring Security 中的 SecurityFilterChain核心功能

《深度解析SpringSecurity中的SecurityFilterChain核心功能》SecurityFilterChain通过组件化配置、类型安全路径匹配、多链协同三大特性,重构了Spri... 目录Spring Security 中的SecurityFilterChain深度解析一、Security
阅读更多...
SpringBoot多环境配置数据读取方式

SpringBoot多环境配置数据读取方式

《SpringBoot多环境配置数据读取方式》SpringBoot通过环境隔离机制,支持properties/yaml/yml多格式配置,结合@Value、Environment和@Configura... 目录一、多环境配置的核心思路二、3种配置文件格式详解2.1 properties格式（传统格式）1.
阅读更多...
解决pandas无法读取csv文件数据的问题

解决pandas无法读取csv文件数据的问题

《解决pandas无法读取csv文件数据的问题》本文讲述作者用Pandas读取CSV文件时因参数设置不当导致数据错位,通过调整delimiter和on_bad_lines参数最终解决问题,并强调正确参... 目录一、前言二、问题复现1. 问题2. 通过 on_bad_lines=‘warn’ 跳过异常数据3
阅读更多...
Mysql中设计数据表的过程解析

Mysql中设计数据表的过程解析

《Mysql中设计数据表的过程解析》数据库约束通过NOTNULL、UNIQUE、DEFAULT、主键和外键等规则保障数据完整性,自动校验数据,减少人工错误,提升数据一致性和业务逻辑严谨性,本文介绍My... 目录1.引言2.NOT NULL——制定某列不可以存储NULL值2.UNIQUE——保证某一列的每一
阅读更多...
深度解析Nginx日志分析与499状态码问题解决

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499
阅读更多...
Python Web框架Flask、Streamlit、FastAPI示例详解

Python Web框架Flask、Streamlit、FastAPI示例详解

《PythonWeb框架Flask、Streamlit、FastAPI示例详解》本文对比分析了Flask、Streamlit和FastAPI三大PythonWeb框架：Flask轻量灵活适合传统应用... 目录概述Flask详解Flask简介安装和基础配置核心概念路由和视图模板系统数据库集成实际示例Stre
阅读更多...
C#监听txt文档获取新数据方式

C#监听txt文档获取新数据方式

《C#监听txt文档获取新数据方式》文章介绍通过监听txt文件获取最新数据,并实现开机自启动、禁用窗口关闭按钮、阻止Ctrl+C中断及防止程序退出等功能,代码整合于主函数中,供参考学习... 目录前言一、监听txt文档增加数据二、其他功能1. 设置开机自启动2. 禁止控制台窗口关闭按钮3. 阻止Ctrl +
阅读更多...
java如何实现高并发场景下三级缓存的数据一致性

java如何实现高并发场景下三级缓存的数据一致性

《java如何实现高并发场景下三级缓存的数据一致性》这篇文章主要为大家详细介绍了java如何实现高并发场景下三级缓存的数据一致性,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 下面代码是一个使用Java和Redisson实现的三级缓存服务，主要功能包括：1.缓存结构：本地缓存：使
阅读更多...
在MySQL中实现冷热数据分离的方法及使用场景底层原理解析

在MySQL中实现冷热数据分离的方法及使用场景底层原理解析

《在MySQL中实现冷热数据分离的方法及使用场景底层原理解析》MySQL冷热数据分离通过分表/分区策略、数据归档和索引优化,将频繁访问的热数据与冷数据分开存储,提升查询效率并降低存储成本,适用于高并发... 目录实现冷热数据分离1. 分表策略2. 使用分区表3. 数据归档与迁移在mysql中实现冷热数据分
阅读更多...
C#解析JSON数据全攻略指南

C#解析JSON数据全攻略指南

《C#解析JSON数据全攻略指南》这篇文章主要为大家详细介绍了使用C#解析JSON数据全攻略指南,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、为什么jsON是C#开发必修课？二、四步搞定网络JSON数据1. 获取数据 - HttpClient最佳实践2. 动态解析 - 快速
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2