- 博客(31)
- 收藏
- 关注
RSS订阅原创 PyTorch - - Transformer实践篇（〇）
这些神经网络究竟是如何通过代码实现的？无论是 CNN、RNN，还是目前非常热门的 Transformer，其背后都离不开深度学习框架的支持。目前，PyTorch 和 TensorFlow 是人工智能领域最常用的深度学习框架之一。其中，PyTorch 以简洁、灵活、易于调试等特点，在科研和模型开发中得到了广泛应用。今天，我们就从 PyTorch 入手，学习如何使用它构建、训练和测试神经网络。
2026-11-02 10:38:16
151
原创 循环神经网络 - - Transformer实践篇（二）
在上一篇内容中，我们介绍了 Embedding 如何将文字转换为向量，以及循环神经网络（Recurrent Neural Network，RNN）如何通过隐藏状态逐步传递序列信息。让 RNN 学会预测下一个字符，并尝试自动生成一段文本。本推送使用 Python 和 PyTorch，在 Windows 笔记本电脑上即可完成。整个过程不需要下载大型数据集，也不需要高性能显卡，非常适合初学者练习。前言1 RNN 能做什么（1）从读取文字到预测文字（2）RNN 为什么能够完成这个任务？2 环境准备。
2026-10-30 10:32:21
217
原创 循环神经网络 - - Transformer原理篇（四）
当一串看似杂乱的文字有了顺序，我们便能从中提取信息、理解含义，并做出合理的回应。从信息处理的角度看，这可以被形象地理解为一个从无序到有序、逐步提取有效信息的过程。人类能够自然地阅读语言、理解上下文，并根据语境做出回应。那么，机器是如何做到这一点的呢？为了让计算机能够处理和理解人类语言，研究人员提出了一系列巧妙的方法，逐步发展出了自然语言处理（Natural Language Processing，NLP）这一领域。
2026-10-29 18:37:38
178
原创 CNN - - Transformer实践篇（一）
损失函数（loss_fn）用于衡量模型的预测与真实答案之间的差距，损失越小，通常表示模型在当前训练数据上的预测与真实标签越接近。这里使用的是交叉熵损失函数（CrossEntropyLoss）。交叉熵来自信息论，用于衡量两个概率分布p（真实）与q（预测）之间的差异，当预测分布与真实分布一致时，交叉熵最小。优化器负责根据梯度调整模型参数。：需要训练的模型参数。lr=0.01：学习率，控制每次参数更新的步幅。这里的 8 表示训练 8 轮，一个 Epoch 指模型完整遍历一次训练集。
2026-10-24 09:00:00
327
原创 卷积神经网络 - - Transformer原理篇（三）
前两篇我们先后梳理了神经网络的基本原理与训练技巧：从激活函数、损失函数、梯度下降和反向传播，讲到过拟合、数据增强、正则化与 Dropout，基本上回答了“神经网络如何拟合”和“如何训练得更好”这两个问题。但此前讨论的网络多为全连接结构，一旦进入图像领域，问题就变得不那么简单：如果把每个像素都作为一个输入，参数量会迅速膨胀，像素与相邻像素之间的空间关系也难以保留。
2026-10-23 09:00:00
226
原创 训练技巧 - - Transformer原理篇（二）
上一篇我们从符号主义与联结主义讲起，依次梳理了激活函数、神经网络、损失函数、梯度下降、反向传播和训练流程，弄清了神经网络“如何拟合”。但能拟合训练数据，并不等于能应对新数据。本篇接着聊过拟合，以及数据增强、正则化、Dropout 和其他训练技巧，看看如何让模型既拟合得更好，又不至于过头。（本篇内容主要整理自B站UP主“飞天闪客”（BV号：BVNCgVzoEG9），由笔者重新整理。目录1 过拟合2 数据增强3 正则化4 dropout5 其他训练技巧。
2026-10-22 16:03:04
172
原创 河以AI - - Transformer原理篇（一）
笔者研一时毅然决然加入生物信息这一行，那还是2023年。彼时GPT还多半只能用来聊天解闷，甚至偶尔被拿来调侃。回想初学那年，主要学R语言和Linux，常游走于简书、优快云、GitHub之间。半年后开始接触Python，大约又过了一年才脱离“调包侠”身份，开始会写一些简单的循环和函数；到毕业时，前后学了两年，才勉强能写一些流程化脚本。读博士以来，人工智能飞速发展，GPT-3、GPT-4、GPT-5，以及Claude Code、DeepSeek、Kimi、GLM轮番轰炸，一度让我怀疑自己这两三年学习的意义。
2026-10-20 18:17:20
30
原创 海南大学徐顺清课题组在《Environmental Science & Technology》发表新成果：多卤代咔唑的神经毒性机制研究
近日，海南大学卢心河、罗宇航为共同第一作者，李汉增教授和徐顺清教授为通讯作者，在Environmental Science & Technology上发表了研究论文。
2026-02-24 13:26:51
923
原创 蛋白质设计（十三）— —（搬运）Protein Binder Design with RFDiffusion3（上）
前言值此新年之际，祝愿大家做科研的马到成功、一马当先，做生意的门前车水马龙，做学生的立下汗马功劳，祝所有人马年大吉！作者：RosettaCommons作者主页：https://www.youtube.com/@RosettaCommons视频链接：https://www.youtube.com/watch?v=LVN2l587C3M&t=3s视频题目：Protein Binder Design with RFDiffusion3发布时间：2026年1月30日=========================
2026-02-16 18:15:47
1306
原创 蛋白质设计（十二）— —（搬运）Protein Design Workflows introduction
蛋白质设计（十二）— —（搬运）Protein Design Workflows introduction
2026-02-10 19:16:30
1214
原创 蛋白质设计（十一）— —基于小分子蛋白质docking和dynamic的结果高级可视化
临近春节，笔者终于有时间更新一波了，先把之前剩的一点小尾巴结了，暂时应该不会在更新分子模拟与分子动力学的文章了。（本教程仅针对ubunutu系统，如果使用其他系统，请自行摸索）目录1 分子对接可视化— —1.1 Ligplot+安装1.2 Ligplot+使用1.3 结果解读1.4 pymol可视化2.1 在工作目录下新建文件夹Gibbs2.2 合并两个文件2.3 格式调整2.4 计算自由能景观2.5 提取自由能景观中的数据2.6 绘图。
2026-02-09 21:57:12
1153
原创 蛋白质设计（十）— —基于Gromcas的小分子蛋白质模拟结果可视化
上次的结果没有进行周期性矫正和平动转动的消除，导致我的蛋白飞天遁地，非常鬼畜，因此在此进行修正，之前的版本也已修改。此外，上期最后的md代码是纯cpu计算的，如果想使用gpu加速，可以回到gromax文件夹，进行以下操作注：path2GROMACS是指你放置gromacs文件夹的路径，请自行更改。（本编译仅针对英伟达（CUDA），其他gpu请自行查找方法）然后将上篇文章的12.2改为以下代码，使用gpu加速进行分子动力学模拟，That's a HIGH speed for real!
2025-12-31 11:52:51
1854
原创 蛋白质设计（八）— — RFdiffusion3，未竟之旅
2025年12月3日，备受瞩目的蛋白质设计领域里程碑——RFdiffusion3正式开源！这一突破性模型的发布，标志着全原子精度的蛋白质设计进入全新阶段。相较于前代版本，RFdiffusion3带来了哪些革命性升级？如何快速上手这一强大工具？今天和大家分享一下我探索的过程。
2025-12-16 20:12:47
3182
7
原创 蛋白质设计（六）— — 三剑合璧，mac如何安装ProteinMPNN、Alphafold2
最近一段时间，我一直在探索 AI 蛋白质设计。起初只用 RFdiffusion 生成蛋白质骨架，但渐渐觉得“光有骨架还不够”——想要真正获得可表达、可折叠的功能性序列，还需要后续的序列设计与结构验证工具。于是，我陆续安装并配置了 ProteinMPNN（用于序列设计）和 AlphaFold2（用于结构预测），把整个流程跑通了！现将安装与初步使用过程记录下来，希望能帮到同样在 macOS（特别是 Apple Silicon M 系列芯片）上折腾的朋友们。
2025-12-04 19:01:38
1208
原创 蛋白质设计（五）— — RFdiffusion官方教程解析之部分扩散
我们可以用扩散来实现对结构的部分噪声和去噪，以在一般折叠周围获得一些多样性，这就叫做部分扩散，部分扩散常用于优化结构设计。
2025-11-24 18:42:03
2016
原创 蛋白质设计（四）— — RFdiffusion官方教程解析之修复与复合物脚手架设计
想象一下，你有一幅名画（你的蛋白基序），但只想保留画中最重要的部分（例如人物的脸），而让AI重新生成周围的背景和画布上一些不重要的部分，从而让整体构图更和谐。这个过程就是“修复”。在RFdiffusion中，Inpaint_seq允许我们指定在输入时“掩码”掉基序中某些不重要的残基。RFduffusion在生成过程中，会看到这些残基的空白，并重新设计它们，以优化整个结构的包装和稳定性。只有部分氨基酸对基序功能至关重要，其余部分可以灵活变通。强制保留所有残基可能会限制模型找到最优结构解决方案。
2025-11-21 09:42:11
1746
原创 蛋白质设计（三）— — RFdiffusion官方教程解析之酶设计
在今天的酶设计中，（4）到（6）都提出了指导势（guilding potential），那么什么是指导势呢？RFdiffusion 本身是一个扩散模型 (diffusion model)，通过逐步去噪 (reverse diffusion) 从噪声恢复出蛋白质结构。在RFdiffusion的Github主页中介绍了辅助势能（Auxiliary Potentials），也称作指导势 (guiding potentials)。
2025-11-15 22:35:13
1443
原创 蛋白质设计（二）— — RFdiffusion官方教程解析之Motif Scaffolding
在蛋白质设计领域，笔者仍然算是完全的新手。虽然 RFdiffusion既不是最早出现的工具，其方法也不是最先进的，但是目前其作为经典的代表，学习它仍然是一个非常不错的入门选择。
2025-11-12 19:02:14
1300
原创 蛋白质设计（一）— — 如何在 macOS 上安装并配置 RFdiffusion 进行蛋白质设计
本文提供了在 macOS 上安装并配置 RFdiffusion 的详细教程，帮助用户解决 M1/M2 芯片兼容问题。通过该流程，用户可以顺利生成蛋白质骨架，并结合后续模型进行氨基酸预测与结构评估
2025-11-06 19:50:22
1117
原创 当AI开始“造细胞”：CellForge开启虚拟细胞的新纪元
近日，来自耶鲁大学、哈佛大学、DeepMind、斯坦福大学等机构的研究团队提出了一个令人振奋的系统——CellForge。它让 AI 不仅能“读懂”细胞，更能自主设计出虚拟细胞模型，实现从数据理解到实验验证的全自动化科学研究。
2025-10-26 21:35:47
1568
1
原创 计算毒理学日记（一）— —生物知识图谱驱动网络（BKGNs）（上）
最近北京大学的王斌等人提出了BKGNs（biological knowledge graph-based networks，生物知识图谱驱动网络）（ES&T, 2025），为暴露组学中“暴露-通路-疾病”提供了研究范式。
2025-10-01 21:06:49
1261
原创 R简明教程— —基础篇（二）
非常感谢大家的支持！没想到这个系列能获得这么多关注。因为平时工作学习比较忙，我会尽量在每周一更新 《R简明教程——基础篇》，其他系列则不定期更新。我会尽可能结合自己的理解，把 R语言数据分析的干货 用简洁易懂的方式分享给大家，共同学习进步！谢谢大家！
2025-09-27 22:49:17
1067
原创 Positron学习记（三）之shiny篇（二）
为了展示shiny是如何运作的，上一节的新内容可能有点太多太杂，会劝退部分朋友。但是先不要退缩，慢慢地深入了解shiny，其中的奥秘才会徐徐展开。
2025-09-27 22:13:37
725
原创 R简明教程— —基础篇（一）
随着机器学习的出现和信息爆炸，数据分析成为当代工作者的基本素养。虽然python大有取代R的趋势，但不得不承认目前R语言在很多细分领域中有不可替代的作用。如今，掌握R语言的人群已经非常庞大，看似R语言教程已经不再有必要，但学习R语言的人群也在不断增加。因此，在更新其他系列的同时，我也简单总结一下我自学R语言近三年来的经验，希望能够帮助到R语言入门学习者。
2025-09-22 23:07:04
979
原创 项目推介— —Bizard
在生物医学研究中，数据可视化是解读复杂数据集、推动科学发现和指导临床决策的关键工具。R语言凭借其强大的统计功能和丰富的扩展包生态系统，已成为创建高质量可视化的基石。然而，R语言绘图工具包数量庞大且持续更新，研究人员常面临方法选择与图表定制的双重挑战——他们需要根据特定研究需求筛选合适方案并进行个性化调整。这一过程不仅需要高超的编程技能、跨学科协作能力，还需投入大量时间，这些因素都可能延缓研究进度，甚至影响实验结果的准确性。为应对这些挑战，我们开发了 Bizard。
2025-09-22 22:49:54
1054
原创 Positron学习记（二）之shiny篇（一）课后练习
学习shiny的原因可以有很多，但功利主义者一定不少，作为科研工作者，发大文章、发好文章是我们每一个研究生的梦想。目前，将数据进行交互式展示正成为一种潮流，“shiny”包则是交互式展示的好工具。
2025-09-22 22:42:08
985
原创 Positron学习记（一）
最近 RStudio母公司（Posit，原名RStudio）构建的下一代数据科学 ID：Positron非常火，有非常多的大佬推荐，Positron同时支持R、Python及其他语言，并内置支持quarto和shiny。作为向数据分析方向的学习者，R语言和Python语言是绕不开的两种语言。基于曾经R语言用RStudio和Python用Spyder的割裂感，我认为学习Positron是十分有必要的，因此，我准备记录下学习Positron使用的过程，并在本公众号上分享给大家，以供学习讨论。
2025-09-22 22:35:47
996
原创 Positron学习记（二）之shiny篇（一）
编写一个小小的软件，让更多的同行使用，想必是每一个生信人都有的梦想。Shiny则是实现这个梦想最棒的途径之一，Shiny 是一个使用 R 代码创建 Web 应用程序的框架，它主要为数据科学家而设计，让数据科学家们即使在不了解 HTML、CSS 或 JavaScript 的情况下，也能够创建非常复杂的 Shiny 应用程序。
2025-09-17 21:59:54
851
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人