版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
深度学习框架:MXNet:MXNet数据处理与预处理1深度学习框架:MXNet:MXNet数据处理与预处理1.1MXNet框架概述MXNet是一个高效、灵活且可扩展的深度学习框架,它支持多种编程语言,包括Python、R、Julia、C++等。MXNet的核心特性包括:自动微分:MXNet能够自动计算任何复杂模型的梯度,使得模型训练变得简单。动态与静态图:MXNet支持动态图和静态图,能够处理不同类型的深度学习任务。高性能:MXNet利用了高级的优化技术,如异步计算和内存复用,以提高训练速度。分布式训练:MXNet支持在多台机器上进行模型训练,适用于大规模数据集。1.1.1安装MXNet在Python环境中安装MXNet,可以使用pip命令:pipinstallmxnet如果需要GPU支持,可以安装带有CUDA的版本:pipinstallmxnet-cu1101.2数据集的加载与使用在深度学习中,数据集的加载和预处理是关键步骤。MXNet提供了多种方式来加载和使用数据集。1.2.1使用内置数据集MXNet包含了一些常用的数据集,如MNIST、CIFAR-10等,可以直接加载使用。importmxnetasmx
#加载MNIST数据集
mnist=mx.test_utils.get_mnist()
#分割数据集
train_data=mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=True).transform_first(lambdadata,label:(data.astype('float32')/255,label)),
batch_size=100,shuffle=True)
test_data=mx.gluon.data.DataLoader(mx.gluon.data.vision.MNIST(train=False).transform_first(lambdadata,label:(data.astype('float32')/255,label)),
batch_size=100,shuffle=False)1.2.2自定义数据集对于非标准数据集,可以自定义数据集类,继承自mxnet.gluon.data.Dataset。classCustomDataset(mx.gluon.data.Dataset):
def__init__(self,data,label):
self.data=data
self.label=label
def__getitem__(self,idx):
returnself.data[idx],self.label[idx]
def__len__(self):
returnlen(self.data)
#创建自定义数据集实例
data=mx.nd.random.uniform(shape=(1000,1,28,28))
label=mx.nd.random.randint(0,10,shape=(1000,))
dataset=CustomDataset(data,label)
#使用DataLoader加载数据
data_loader=mx.gluon.data.DataLoader(dataset,batch_size=100,shuffle=True)1.3数据迭代器详解MXNet提供了多种数据迭代器,用于高效地读取和预处理数据。1.3.1DataLoaderDataLoader是MXNet中最常用的数据迭代器,它能够自动将数据集分割成小批量,并在训练过程中随机打乱数据。#创建DataLoader实例
data_loader=mx.gluon.data.DataLoader(dataset,batch_size=100,shuffle=True)
#迭代数据
fordata,labelindata_loader:
#在这里进行模型训练
pass1.3.2NDArrayIterNDArrayIter用于处理存储在NDArray中的数据,它能够将数据分割成小批量,并进行数据预处理。#创建NDArrayIter实例
data_iter=mx.io.NDArrayIter(data,label,batch_size=100)
#迭代数据
forbatchindata_iter:
data=batch.data[0]
label=batch.label[0]
#在这里进行模型训练
pass1.3.3RecordIOIterRecordIOIter用于处理存储在RecordIO文件中的数据,适用于大规模数据集的高效读取。#创建RecordIOIter实例
record_iter=mx.io.ImageRecordIter(
path_imgrec='train.rec',
data_shape=(3,224,224),
batch_size=100
)
#迭代数据
forbatchinrecord_iter:
data=batch.data[0]
label=batch.label[0]
#在这里进行模型训练
pass1.3.4数据预处理数据预处理是深度学习中不可或缺的步骤,包括数据归一化、数据增强等。数据归一化数据归一化可以将数据缩放到一个特定的范围,如[0,1],以提高模型的训练效率。#数据归一化
transform=lambdadata,label:(data.astype('float32')/255,label)
dataset=mx.gluon.data.vision.MNIST(train=True).transform_first(transform)数据增强数据增强可以增加数据集的多样性,提高模型的泛化能力。#数据增强
transform=mx.gluon.data.vision.transforms.Compose([
mx.gluon.data.vision.transforms.RandomFlipLeftRight(),
mx.gluon.data.vision.transforms.ToTensor()
])
dataset=mx.gluon.data.vision.ImageFolderDataset('path/to/dataset').transform_first(transform)1.4总结MXNet提供了丰富的数据处理和预处理工具,包括内置数据集、自定义数据集以及多种数据迭代器。通过合理使用这些工具,可以有效地加载和预处理数据,为深度学习模型的训练提供支持。在实际应用中,根据数据集的特性和需求选择合适的数据迭代器和预处理方法,是提高模型训练效率和性能的关键。以上内容详细介绍了MXNet框架的数据处理与预处理方法,包括框架概述、数据集的加载与使用、数据迭代器的详解以及数据预处理的技巧。通过这些内容的学习,可以更好地理解和应用MXNet进行深度学习项目开发。2数据预处理技术在MXNet中的应用2.1图像数据的预处理2.1.1原理与内容在深度学习中,图像数据预处理是关键步骤,它包括图像的裁剪、缩放、翻转、亮度调整、颜色变换等操作,以增强模型的泛化能力。MXNet提供了强大的图像处理库mxnet.image,可以高效地进行图像预处理。代码示例:图像数据增强importmxnetasmx
frommxnet.gluon.data.visionimporttransforms
frommxnet.gluon.data.visionimportImageFolderDataset
#定义图像变换
transform_train=transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomFlipLeftRight(),
transforms.RandomColorJitter(brightness=0.4,contrast=0.4,saturation=0.4),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
])
#加载数据集
train_data=ImageFolderDataset('path/to/train/dataset',transform=transform_train)
#创建数据迭代器
train_iter=mx.io.ImageRecordIter(
path_imgrec='path/to/train.rec',
data_shape=(3,224,224),
batch_size=32,
shuffle=True
)2.1.2描述上述代码展示了如何使用MXNet进行图像数据增强。首先,我们定义了一系列变换,包括随机裁剪、水平翻转、颜色抖动,然后将图像转换为张量并进行归一化。这些变换应用于ImageFolderDataset,该数据集从指定路径加载图像。最后,我们创建了ImageRecordIter迭代器,用于批量读取和处理图像数据。2.2文本数据的预处理2.2.1原理与内容文本数据预处理通常涉及分词、构建词汇表、将文本转换为向量或序列等步骤。MXNet的gluon.nlp库提供了丰富的文本处理工具。代码示例:文本数据向量化importmxnetasmx
frommxnet.gluon.dataimportSimpleDataset
frommxnet.gluon.dataimportDataLoader
frommxnet.gluonimportnn
frommxnetimportnd
frommxnet.gluon.nlpimportvocab
#定义文本数据
texts=['深度学习框架','MXNet数据处理','图像数据预处理']
labels=[0,1,1]
#构建词汇表
counter=vocab.Counter()
fortextintexts:
counter.update(text)
vocab=vocab.Vocabulary(counter,unknown_token='<UNK>',padding_token='<PAD>')
#文本数据向量化
deftext_to_indices(text):
return[vocab.token_to_idx.get(token,vocab.unk_idx)fortokenintext]
dataset=SimpleDataset([(text_to_indices(text),label)fortext,labelinzip(texts,labels)])
#创建数据迭代器
dataloader=DataLoader(dataset,batch_size=2,shuffle=True)2.2.2描述这段代码展示了如何使用MXNet将文本数据转换为向量。首先,我们定义了一组文本数据和对应的标签。接着,使用vocab.Counter统计词频,构建词汇表。text_to_indices函数将文本转换为词汇表中的索引序列。最后,我们使用DataLoader创建数据迭代器,用于批量读取和处理文本数据。2.3序列数据的预处理2.3.1原理与内容序列数据预处理通常涉及序列的截断、填充、以及可能的序列长度标准化。MXNet的gluon.nlp库提供了处理序列数据的工具,如PadSequence。代码示例:序列数据的填充与截断importmxnetasmx
frommxnet.gluon.dataimportSimpleDataset
frommxnet.gluon.dataimportDataLoader
frommxnet.gluon.nlpimportdataasnlp_data
#定义序列数据
sequences=[[1,2,3],[1,2],[1,2,3,4,5]]
labels=[0,1,1]
#序列填充与截断
pad_sequence=nlp_data.PadSequence(length=4,pad_val=0,ret_length=True)
padded_sequences,lengths=pad_sequence(sequences)
#构建数据集和迭代器
dataset=SimpleDataset(list(zip(padded_sequences,labels)))
dataloader=DataLoader(dataset,batch_size=2,shuffle=True)2.3.2描述这段代码展示了如何使用MXNet的PadSequence工具对序列数据进行填充和截断。sequences是一个包含不同长度序列的列表,pad_sequence函数将所有序列填充或截断至固定长度,并返回填充后的序列和原始序列的长度。填充后的序列和标签被组合成数据集,并通过DataLoader创建数据迭代器,用于批量读取和处理序列数据。以上示例详细介绍了如何在MXNet中进行图像、文本和序列数据的预处理,包括数据增强、文本向量化、序列填充与截断等关键步骤。通过这些预处理技术,可以显著提高深度学习模型的性能和泛化能力。3高级数据处理与优化3.1数据增强策略数据增强是深度学习中一种常用的策略,用于增加训练数据的多样性,从而提高模型的泛化能力。在MXNet中,可以使用mxnet.image模块中的函数来实现图像数据的增强。3.1.1示例:图像翻转与旋转importmxnetasmx
frommxnetimportimage
importnumpyasnp
importmatplotlib.pyplotasplt
#加载图像
img=image.imread('path/to/your/image.jpg')
#图像翻转
img_flip=image.flip_left_right(img)
#图像旋转
img_rotate=image.rotate(img,angle=15)
#显示原图、翻转后的图和旋转后的图
plt.figure(figsize=(10,10))
plt.subplot(1,3,1)
plt.imshow(mx.nd.transpose(img,(1,2,0)).asnumpy())
plt.title('OriginalImage')
plt.subplot(1,3,2)
plt.imshow(mx.nd.transpose(img_flip,(1,2,0)).asnumpy())
plt.title('FlippedImage')
plt.subplot(1,3,3)
plt.imshow(mx.nd.transpose(img_rotate,(1,2,0)).asnumpy())
plt.title('RotatedImage')
plt.show()3.1.2说明上述代码展示了如何使用MXNet对图像进行水平翻转和旋转。image.flip_left_right函数用于水平翻转图像,而image.rotate函数则用于旋转图像。通过这些操作,可以生成额外的训练样本,帮助模型学习到更全面的特征。3.2数据批标准化数据批标准化(BatchNormalization)是一种加速深度神经网络训练的技术,通过标准化每一层的输入,可以减少内部协变量偏移,使模型训练更加稳定和快速。3.2.1示例:在MXNet中实现BatchNormalizationimportmxnetasmx
frommxnet.gluonimportnn
#定义网络结构
net=nn.Sequential()
with_scope():
net.add(nn.Conv2D(channels=64,kernel_size=3,activation='relu'))
net.add(nn.BatchNorm())
net.add(nn.MaxPool2D(pool_size=2,strides=2))
net.add(nn.Conv2D(channels=128,kernel_size=3,activation='relu'))
net.add(nn.BatchNorm())
net.add(nn.MaxPool2D(pool_size=2,strides=2))
net.add(nn.Flatten())
net.add(nn.Dense(128,activation='relu'))
net.add(nn.BatchNorm())
net.add(nn.Dense(10))
#初始化网络参数
net.initialize(mx.init.Xavier())
#前向传播
data=mx.nd.random.uniform(shape=(32,3,32,32))
output=net(data)
#打印输出形状
print(output.shape)3.2.2说明在MXNet中,mxnet.gluon.nn.BatchNorm层可以被添加到网络中,以实现数据批标准化。在上述代码中,我们定义了一个包含卷积层、BatchNormalization层和全连接层的网络。BatchNormalization层被放置在激活函数之后,池化层或全连接层之前,以标准化每一层的输入。3.3使用多GPU进行数据处理在深度学习中,利用多GPU可以显著加速数据处理和模型训练。MXNet支持多GPU训练,可以通过简单的代码修改来实现。3.3.1示例:使用多GPU进行数据处理和模型训练importmxnetasmx
frommxnetimportgluon,init
frommxnet.gluonimportnn
#定义网络结构
net=nn.Sequential()
with_scope():
net.add(nn.Conv2D(channels=64,kernel_size=3,activation='relu'))
net.add(nn.MaxPool2D(pool_size=2,strides=2))
net.add(nn.Flatten())
net.add(nn.Dense(128,activation='relu'))
net.add(nn.Dense(10))
#初始化网络参数
net.initialize(init.Xavier(),ctx=[mx.gpu(0),mx.gpu(1)])
#定义数据迭代器
train_data=gluon.data.DataLoader(
gluon.data.vision.MNIST(train=True).transform_first(transforms.ToTensor()),
batch_size=128,shuffle=True,last_batch='discard',num_workers=4)
#定义损失函数和优化器
softmax_cross_entropy=gluon.loss.SoftmaxCrossEntropyLoss()
trainer=gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.1})
#训练模型
forepochinrange(10):
fori,(data,label)inenumerate(train_data):
#将数据复制到多个GPU上
data=gluon.utils.split_and_load(data,[mx.gpu(0),mx.gpu(1)])
label=gluon.utils.split_and_load(label,[mx.gpu(0),mx.gpu(1)])
#计算损失和梯度
withmx.autograd.record():
outputs=[net(X)forXindata]
loss=[softmax_cross_entropy(yhat,y)foryhat,yinzip(outputs,label)]
forlinloss:
l.backward()
#更新参数
trainer.step(data.shape[0])3.3.2说明在MXNet中,可以通过指定ctx参数来在多个GPU上初始化网络参数。在训练过程中,使用gluon.utils.split_and_load函数将数据和标签复制到多个GPU上,然后在每个GPU上独立地进行前向传播和反向传播。最后,使用trainer.step函数更新参数,其中参数的更新是基于所有GPU上的数据进行的。通过上述示例,我们可以看到MXNet提供了灵活且强大的工具来处理数据增强、数据批标准化以及多GPU数据处理,这些技术对于构建高效和鲁棒的深度学习模型至关重要。4构建数据管道4.1定义数据输入接口在深度学习项目中,数据输入接口是模型训练流程中的关键部分。MXNet提供了多种方式来定义数据输入,包括DataLoader和RecordIO等。这里,我们将使用DataLoader,它是一个迭代器,可以高效地加载和预处理数据。4.1.1代码示例:定义数据输入接口importmxnetasmx
frommxnet.gluon.dataimportDataLoader
frommxnet.gluon.data.visionimporttransforms
frommxnet.gluon.data.visionimportdatasets
#定义数据转换
transform=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
])
#加载数据集
train_dataset=datasets.ImageFolderDataset('path/to/train',transform=transform)
val_dataset=datasets.ImageFolderDataset('path/to/val',transform=transform)
#创建数据加载器
train_data_loader=DataLoader(train_dataset,batch_size=32,shuffle=True)
val_data_loader=DataLoader(val_dataset,batch_size=32,shuffle=False)4.1.2描述上述代码首先定义了一个数据转换流程,包括调整图像大小、中心裁剪、转换为张量以及归一化。然后,使用ImageFolderDataset加载训练和验证数据集,该数据集假设图像按类别存储在不同的文件夹中。最后,创建了DataLoader实例,用于批量加载数据,并在训练数据上进行随机洗牌。4.2创建数据预处理函数数据预处理是深度学习中不可或缺的步骤,它包括数据清洗、特征缩放、数据增强等。在MXNet中,我们可以使用gluon.data.vision.transforms模块来实现这些功能。4.2.1代码示例:创建数据预处理函数#定义数据增强函数
defdata_augmentation(data):
#随机水平翻转
data=mx.image.random_flip_left_right(data)
#随机裁剪
data=mx.image.random_crop(data,(200,200))
#转换为张量
data=mx.nd.transpose(data,(2,0,1))
data=data.astype('float32')/255
returndata
#应用数据预处理函数
train_dataset.transform_first(data_augmentation)4.2.2描述在这个例子中,我们定义了一个data_augmentation函数,它首先随机地对图像进行水平翻转,然后随机裁剪图像到200x200的大小。接下来,将图像的维度从(H,W,C)转换为(C,H,W),并将其转换为浮点数张量,最后进行归一化处理。通过transform_first方法,我们可以将这个预处理函数应用到数据集的每个样本上。4.3整合数据管道与模型训练一旦数据管道和预处理步骤定义完成,就可以将它们整合到模型训练流程中。MXNet的Trainer类可以与DataLoader无缝配合,实现高效的模型训练。4.3.1代码示例:整合数据管道与模型训练importmxnetasmx
frommxnetimportgluon
#定义模型
net=gluon.nn.Sequential()
with_scope():
net.add(gluon.nn.Conv2D(channels=64,kernel_size=3,activation='relu'))
net.add(gluon.nn.MaxPool2D(pool_size=2,strides=2))
net.add(gluon.nn.Dense(10))
#初始化模型参数
net.initialize(mx.init.Xavier())
#定义损失函数和优化器
softmax_cross_entropy=gluon.loss.SoftmaxCrossEntropyLoss()
trainer=gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.1})
#训练模型
forepochinrange(10):
fori,(data,label)inenumerate(train_data_loader):
withmx.autograd.record():
output=net(data)
loss=softmax_cross_entropy(output,label)
loss.backward()
trainer.step(data.shape[0])
print(f'Epoch[{epoch+1}/10],Loss:{mx.nd.mean(loss).asscalar()}')4.3.2描述这段代码首先定义了一个简单的卷积神经网络模型。然后,使用Xavier初始化方法初始化模型参数,并定义了损失函数和优化器。在训练循环中,我们遍历DataLoader提供的数据批次,使用autograd.record进行前向传播和反向传播,更新模型参数。通过这种方式,数据管道和模型训练紧密集成,确保了训练过程的高效和数据的正确处理。通过上述步骤,我们可以构建一个高效的数据管道,用于深度学习模型的训练。这不仅简化了数据处理的复杂性,还提高了模型训练的效率和准确性。5实战案例分析5.1图像分类任务的数据处理在深度学习中,图像分类任务是常见的应用场景之一。MXNet提供了强大的工具和API来处理图像数据,包括图像的加载、转换、增强和批处理。下面,我们将通过一个具体的例子来展示如何使用MXNet进行图像分类任务的数据处理。5.1.1数据加载与转换首先,我们需要加载图像数据。MXNet的mxnet.image模块提供了读取和转换图像的功能。假设我们有一个包含训练和测试数据的目录结构,我们可以使用ImageFolderDataset来加载这些数据。importmxnetasmx
frommxnet.gluon.data.visionimporttransforms
#定义数据转换
transform=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
])
#加载数据
train_data=mx.gluon.data.vision.ImageFolderDataset('path/to/train',transform=transform)
test_data=mx.gluon.data.vision.ImageFolderDataset('path/to/test',transform=transform)5.1.2数据增强数据增强是提高模型泛化能力的重要手段。MXNet的mxnet.image模块提供了多种数据增强的方法,如随机裁剪、翻转、旋转等。#定义数据增强
data_augmentation=transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomFlipLeftRight(),
transforms.RandomColorJitter(brightness=0.4,contrast=0.4,saturation=0.4),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
])
#使用增强后的转换
train_data=mx.gluon.data.vision.ImageFolderDataset('path/to/train',transform=data_augmentation)5.1.3批处理与数据迭代在深度学习中,数据通常以小批量的形式被送入模型进行训练。MXNet的DataLoader可以实现数据的批处理和迭代。#创建数据加载器
batch_size=32
train_loader=mx.gluon.data.DataLoader(train_data,batch_size=batch_size,shuffle=True)
test_loader=mx.gluon.data.DataLoader(test_data,batch_size=batch_size)
#迭代数据
fordata,labelintrain_loader:
#在这里进行模型训练
pass5.2自然语言处理任务的数据预处理自然语言处理(NLP)任务中,数据预处理是关键步骤,包括文本的清洗、分词、构建词汇表、转换为向量等。MXNet的gluonnlp库提供了丰富的NLP工具。5.2.1文本清洗与分词文本数据通常需要进行清洗,去除无关字符,然后进行分词处理。importmxnetasmx
frommxnet.gluon.dataimportSimpleDataset
frommxnet.gluonnlp.dataimportSpacyTokenizer
#定义文本清洗函数
defclean_text(text):
#清洗文本,例如去除标点符号
returntext.lower().replace('.','').replace(',','')
#定义分词器
tokenizer=SpacyTokenizer()
#加载并预处理文本数据
texts=['Thisisasamplesentence.','Anotheronehere.']
cleaned_texts=[clean_text(text)fortextintexts]
tokenized_texts=[tokenizer(text)fortextincleaned_texts]
#创建数据集
dataset=SimpleDataset(tokenized_texts)5.2.2构建词汇表与向量化词汇表是NLP任务中用于将文本转换为数字向量的工具。MXNet的Vocabulary类可以帮助我们构建词汇表。frommxnet.gluonnlp.vocabimportVocabulary
frommxnet.gluonnlp.dataimportPadSequence
#构建词汇表
vocab=Vocabulary(tokenized_texts)
#定义向量化函数
defvectorize(text):
return[vocab[token]fortokenintext]
#向量化数据
vectorized_data=[vectorize(text)fortextintokenized_
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024-2030年旋转风速计行业市场现状供需分析及重点企业投资评估规划分析研究报告
- 2024-2030年斜切锯片行业市场现状供需分析及重点企业投资评估规划分析研究报告
- 2024-2030年数据结构行业市场现状供需分析及重点企业投资评估规划分析研究报告
- 2024-2030年收割机械行业市场现状供需分析及投资评估规划分析研究报告
- 2024-2030年探照灯行业市场现状供需分析及重点企业投资评估规划分析研究报告
- 2024-2030年抗辐射食品行业发展分析及投资价值研究咨询报告
- 2024-2030年扭力工具行业市场现状供需分析及投资评估规划分析研究报告
- 2024-2030年手机摄像头镜片行业市场深度调研及供需格局与投资前景研究报告
- 2024-2030年房间风扇线圈行业市场现状供需分析及投资评估规划分析研究报告
- 2024-2030年建材批发行业市场发展分析及发展前景与投资机会研究报告
- 人力资源管理专业中高职衔接(3+2)专业人才培养方案
- 《化学反应工程》课程思政教学案例(一等奖)
- QBT 4483-2024《木聚糖酶制剂》
- 妊娠合并风湿免疫性疾病诊疗及管理常规
- 《唐诗五首》专题探究:律诗的起承转合
- 2024年高考英语快乐ABCD剖析高考真题阅读基础:解析2023年3月天津卷
- 行政复议法-形考作业3-国开(ZJ)-参考资料
- 纤维支气管镜检查知情同意书
- 小学数学跨学科整合的探索
- (正式版)JBT 14587-2024 胶体铅酸蓄电池 技术规范
- JTG C10-2007 公路勘测规范
评论
0/150
提交评论