<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2301_76258347的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2301_76258347</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2301_76258347]]></copyright><item><title><![CDATA[PyTorch - - Transformer实践篇（〇）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/169826012</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/169826012</guid><author>2301_76258347</author><pubDate>Mon, 02 Nov 2026 10:38:16 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[循环神经网络 - - Transformer实践篇（二）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/169539559</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/169539559</guid><author>2301_76258347</author><pubDate>Fri, 30 Oct 2026 10:32:21 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[循环神经网络 - - Transformer原理篇（四）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/169462717</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/169462717</guid><author>2301_76258347</author><pubDate>Thu, 29 Oct 2026 18:37:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[CNN - - Transformer实践篇（一）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/168768258</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/168768258</guid><author>2301_76258347</author><pubDate>Sat, 24 Oct 2026 09:00:00 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[卷积神经网络 - - Transformer原理篇（三）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/168768655</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/168768655</guid><author>2301_76258347</author><pubDate>Fri, 23 Oct 2026 09:00:00 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[训练技巧 - - Transformer原理篇（二）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/168768165</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/168768165</guid><author>2301_76258347</author><pubDate>Thu, 22 Oct 2026 16:03:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[河以AI - - Transformer原理篇（一）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/168558092</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/168558092</guid><author>2301_76258347</author><pubDate>Tue, 20 Oct 2026 18:17:20 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/158348392</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/158348392</guid><author>2301_76258347</author><pubDate>Tue, 24 Feb 2026 13:26:51 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（十三）— —（搬运）Protein Binder Design with RFDiffusion3（上）]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/158128353</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/158128353</guid><author>2301_76258347</author><pubDate>Mon, 16 Feb 2026 18:15:47 +0800</pubDate><description><![CDATA[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=========================]]></description><category></category></item><item><title><![CDATA[蛋白质设计（十二）— —（搬运）Protein Design Workflows introduction]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/157944640</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/157944640</guid><author>2301_76258347</author><pubDate>Tue, 10 Feb 2026 19:16:30 +0800</pubDate><description><![CDATA[蛋白质设计（十二）— —（搬运）Protein Design Workflows introduction]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/157470014</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/157470014</guid><author>2301_76258347</author><pubDate>Mon, 09 Feb 2026 21:57:12 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（十）— —基于Gromcas的小分子蛋白质模拟结果可视化]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/156452666</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/156452666</guid><author>2301_76258347</author><pubDate>Wed, 31 Dec 2025 11:52:51 +0800</pubDate><description><![CDATA[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!]]></description><category></category></item><item><title><![CDATA[蛋白质设计（九）— —基于Gromcas的小分子蛋白质分子动力学模拟]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/156136131</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/156136131</guid><author>2301_76258347</author><pubDate>Mon, 22 Dec 2025 00:03:04 +0800</pubDate><description><![CDATA[基于Gromacs的小分子蛋白质分子动力学模拟学习记录]]></description><category></category></item><item><title><![CDATA[蛋白质设计（八）— — RFdiffusion3，未竟之旅]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/155988984</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/155988984</guid><author>2301_76258347</author><pubDate>Tue, 16 Dec 2025 20:12:47 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（七）— — binder设计，第一次全流程体验]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/155714042</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/155714042</guid><author>2301_76258347</author><pubDate>Mon, 08 Dec 2025 19:33:56 +0800</pubDate><description><![CDATA[蛋白本天成，妙手偶得之，今天我们来一起完成从头设计蛋白的全流程实战。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（六）— — 三剑合璧，mac如何安装ProteinMPNN、Alphafold2]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/155577370</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/155577370</guid><author>2301_76258347</author><pubDate>Thu, 04 Dec 2025 19:01:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（五）— — RFdiffusion官方教程解析之部分扩散]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/155202383</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/155202383</guid><author>2301_76258347</author><pubDate>Mon, 24 Nov 2025 18:42:03 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/155077581</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/155077581</guid><author>2301_76258347</author><pubDate>Fri, 21 Nov 2025 09:42:11 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（三）— — RFdiffusion官方教程解析之酶设计]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/154883726</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/154883726</guid><author>2301_76258347</author><pubDate>Sat, 15 Nov 2025 22:35:13 +0800</pubDate><description><![CDATA[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)。]]></description><category></category></item><item><title><![CDATA[蛋白质设计（二）— — RFdiffusion官方教程解析之Motif Scaffolding]]></title><link>https://blog.youkuaiyun.com/2301_76258347/article/details/154748209</link><guid>https://blog.youkuaiyun.com/2301_76258347/article/details/154748209</guid><author>2301_76258347</author><pubDate>Wed, 12 Nov 2025 19:02:14 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>