<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Sun的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ChloeS0</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ChloeS0]]></copyright><item><title><![CDATA[Orin环境配置]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/146467708</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/146467708</guid><author>ChloeS0</author><pubDate>Mon, 24 Mar 2025 09:19:42 +0800</pubDate><description><![CDATA[下载 torch-1.13.0a0+d0d6b1f2.nv22.10-cp38-cp38-linux_aarch64.whl。稳定性：GPU 计算时间波动系数 15.75%（需优化）GPU 计算时间：6.94 ms (均值)吞吐量：143.64 qps。平均延迟：7.37 ms。]]></description><category></category></item><item><title><![CDATA[Getting Started with CUDA Graphs]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/136514897</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/136514897</guid><author>ChloeS0</author><pubDate>Wed, 06 Mar 2024 19:50:40 +0800</pubDate><description><![CDATA[对于当前的CUDA版本，概要文件将类似于“重叠内核启动和执行”中所示的概要文件，不同之处在于，对于每组20个内核执行，CUDA API行中只有一个“cudaGraphLaunch”条目，并且在CUDA API行中会在与graph创建和实例化相对应的一开始有额外条目。该行中的紫色条目对应于CPU线程在启动内核的CUDA API函数中所花费的时间，绿色条目是在与GPU同步的CUDA API函数中所耗费的时间，即等待内核在GPU上完全启动和完成。可以看出，在GPU空闲的情况下，每个内核执行之间都有很大的间隙。]]></description><category></category></item><item><title><![CDATA[A Survey of Techniques for Cache Locking]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/136389520</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/136389520</guid><author>ChloeS0</author><pubDate>Fri, 01 Mar 2024 16:20:28 +0800</pubDate><description><![CDATA[翻译部分文章 A Survey of Techniques for Cache Locking作者：SPARSH MITTAL, Oak Ridge National Laboratory高速缓存虽然对于提高应用程序性能很重要，但也是执行时间可变性的一个来源，这使得它在需要最坏情况执行时间 (WCET) 保证的系统中难以使用。缓存锁定是一种有前途的简化 WCET 估计并提供可预测性的方法，因此，一些商用处理器提供了锁定缓存的能力。]]></description><category></category></item><item><title><![CDATA[CUDA C++ Programming Guide学习记录——Chapter 5]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/135223084</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/135223084</guid><author>ChloeS0</author><pubDate>Fri, 29 Dec 2023 15:31:39 +0800</pubDate><description><![CDATA[本章通过概述 CUDA 编程模型背后的主要概念如何在 C++ 中公开来介绍它们。Programming Interface中给出了 CUDA C++ 的详细描述。本章和下一章中使用的向量加法示例的完整代码可以在 vectorAdd CUDA sample 中找到。]]></description><category></category></item><item><title><![CDATA[山东大学软件学院暑期实训——项目记录（一）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/125492555</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/125492555</guid><author>ChloeS0</author><pubDate>Wed, 13 Dec 2023 15:41:20 +0800</pubDate><description><![CDATA[本项目继续做下面是对上一篇中数据处理流程的补充。]]></description><category></category></item><item><title><![CDATA[山东大学软件学院创新实训——项目记录（三）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/124397024</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/124397024</guid><author>ChloeS0</author><pubDate>Sat, 07 May 2022 21:02:56 +0800</pubDate><description><![CDATA[基于多模态数据的脑卒中病人健康评估与预测系统
数据处理流程
1.将光密度转换为血氧浓度数据
2.滤波
对数据滤波是一个常规的操作，目的就是去掉不需要的频率信号并保留属于fNIRS的频率信号。对血氧浓度数据进行巴特沃斯滤波，使用了matlab的工具包Butterworth Filters中的带阻滤波函数bandstop_butterworth()


............]]></description><category></category></item><item><title><![CDATA[山东大学软件学院创新实训——项目记录（二）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/123762931</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/123762931</guid><author>ChloeS0</author><pubDate>Sun, 03 Apr 2022 19:54:23 +0800</pubDate><description><![CDATA[NIRS-KIT是北师大朱朝喆老师研究团队于2019年发布的一款同时支持任务态和静息态 fNIRS 数据分析的图形化界面软件。该工具箱涵盖了近红外数据整个分析流程，包括数据准备、质量检查、预处理、个体水平分析、组水平统计和结果可视化。对于任务 fNIRS 数据，基于 GLM 进行个体层面的分析以检测与任务相关的神经激活。对于静息状态 fNIRS 数据，可以计算个体水平的功能连接 (FC)、ALFF/fALFF 和网络指标。对于组水平分析，NIRS-KIT 提供了几种流行的参数模型和多重比较校正方法。NIRS]]></description><category></category></item><item><title><![CDATA[山东大学软件学院创新实训——项目记录（一）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/123764612</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/123764612</guid><author>ChloeS0</author><pubDate>Sun, 27 Mar 2022 00:01:27 +0800</pubDate><description><![CDATA[项目介绍
项目背景
“脑卒中”（cerebral stroke）又称“中风”、“脑血管意外”（cerebralvascular accident，CVA）。是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60%～70%。颈内动脉和椎动脉闭塞和狭窄可引起缺血性脑卒中，年龄多在40岁以上，男性较女性多，严重者可引起死亡。出血性卒中的死亡率较高。调查显示，城乡合计脑卒中已成为我国第一位死]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（十三）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/122136928</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/122136928</guid><author>ChloeS0</author><pubDate>Fri, 24 Dec 2021 23:55:12 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（7）
原始下游预测

二级结构预测

与其他蛋白质语言模型的对比

关于ProtT5-XL-UniRef50（称为ProtT5-XL-U50）的重要注意事项：所有性能仅使用从底层T5模型的编码器侧提取的嵌入件进行测量，如下所述。此外，还以半精度模式(model.half())进行了实验，以加快嵌入生成的速度。以半精度运行时，在任何实验中均未观察到性能下降。
论文阅读
蛋白质语言模型到达上限了吗？
将NLP技术应用到蛋白质中，为]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（十二）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121867295</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121867295</guid><author>ChloeS0</author><pubDate>Thu, 16 Dec 2021 20:54:02 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（6）
代码分析
Benchmark Section
ProtTrans/Benchmark/ProtAlbert.ipynb
加载必要的库，包括 huggingface transformer
import torch
from transformers import AlbertModel
import time
from datetime import timedelta
import os
import requests]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（十一）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121781271</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121781271</guid><author>ChloeS0</author><pubDate>Sat, 11 Dec 2021 00:18:33 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（5）
代码分析
 Visualization Section
ProtTrans/Visualization/ProtAlbert_attention_head_view.ipynb
加载必要的库，包括 huggingface 和 bertvis transformer
import torch
from transformers import AlbertTokenizer, AlbertModel
from bertviz]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（十）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121667720</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121667720</guid><author>ChloeS0</author><pubDate>Thu, 02 Dec 2021 23:15:41 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（4）
代码分析

Prediction Section
ProtTrans/Prediction/ProtBert-BFD-Predict-SS3.ipynb
from transformers import AutoTokenizer, AutoModelForTokenClassification, TokenClassificationPipeline
import re

pipeline = TokenClassif]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（九）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121447970</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121447970</guid><author>ChloeS0</author><pubDate>Fri, 26 Nov 2021 18:35:12 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（3）
代码分析
细调: Fine Tuning Section
import torch
from transformers import AutoTokenizer, Trainer, TrainingArguments, AutoModelForTokenClassification, BertTokenizerFast, EvalPrediction
from torch.utils.data import Datase]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（八）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121317169</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121317169</guid><author>ChloeS0</author><pubDate>Thu, 18 Nov 2021 23:33:48 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型（2）
代码分析

根据使用方法，将按照以上顺序对每部分代码进行分析。
特征提取 : Embedding Section
ProtTrans/Embedding/Onnx/ProtBert-BFD.ipynb
ONNX简介：
Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。ONNX是一种针对机器学习所设计的开放式的文件格]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（七）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121270958</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121270958</guid><author>ChloeS0</author><pubDate>Thu, 11 Nov 2021 22:58:18 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：蛋白质预训练模型
学习论文：
《ProtTrans: Towards Cracking the Language of Life’s Code Through Self-Supervised Learning》
文章地址：
https://www.biorxiv.org/content/10.1101/2020.07.12.199554v3
源码地址：
https://github.com/agemagician/ProtTrans

摘要：
]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（六）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121142205</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121142205</guid><author>ChloeS0</author><pubDate>Thu, 04 Nov 2021 21:57:32 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：肽与HLA分子结合预测研究（6）
论文学习
DeepHLApan的体系结构
结合亲和力是HLA肽结合最广泛使用的测量方法。然而，随着用于HLA肽结合检测的高通量方法（例如MS）的发展，出现了大量没有结合亲和力的HLA肽结合数据。在从IEDB收集的绑定数据集中，66.8%的绑定数据未通过绑定亲和力进行测量。
随着时间的推移，差距进一步扩大。作者将具有绑定亲和力的绑定数据转换为二进制模型，以创建一个只提供绑定或不绑定结果的模型。此外，pHLA的潜在]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（五）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/121012080</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/121012080</guid><author>ChloeS0</author><pubDate>Thu, 28 Oct 2021 20:08:45 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：肽与HLA分子结合预测研究（5）
论文学习
循环神经网络
用于训练的模型架构由三层双向门控循环单元（BiGRU）和一个注意力层堆叠而成。GRU是RNN的一种变体。与RNN类似，GRU具有循环隐藏状态，以此处理可变长度序列，该状态的每次激活都依赖于前一次的激活。GRU和RNN的区别在于循环隐藏状态的更新，这是克服训练模型中梯度消失或爆炸以捕获长期依赖的核心部分。具体而言，GRU建议推导每个时间步 t 的隐藏状态 hth_tht​ 的向量表示，如下]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（四）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/120802557</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/120802557</guid><author>ChloeS0</author><pubDate>Thu, 21 Oct 2021 21:56:43 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：肽与HLA分子结合预测研究（4）
代码分析
代码结构
attention.py
from keras import backend as K, initializers, regularizers, constraints
from keras.engine.topology import Layer

def dot_product(x, kernel):
    if K.backend() == 'tensorflow':
       ]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（三）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/120658428</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/120658428</guid><author>ChloeS0</author><pubDate>Thu, 14 Oct 2021 21:13:58 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题
主题：肽与HLA分子结合预测研究（3）
代码分析
代码结构
核心代码
接上回deephlapan_main()方法的后半部分
deephlapan_main.py
    result = np.average(predScores, axis=0)
    result1 = np.average(predScores1, axis=0)
    with open(WD + '/' + fname + '_predicted_result.csv]]></description><category></category></item><item><title><![CDATA[山东大学2019级软件工程应用与实践——基于人工智能的多肽药物分析问题（二）]]></title><link>https://blog.youkuaiyun.com/ChloeS0/article/details/120617341</link><guid>https://blog.youkuaiyun.com/ChloeS0/article/details/120617341</guid><author>ChloeS0</author><pubDate>Fri, 08 Oct 2021 14:47:07 +0800</pubDate><description><![CDATA[2021SC@SDUSC
基于人工智能的多肽药物分析问题——第二周学习记录 代码分析
主题：肽与HLA分子结合预测研究
代码结构

代码分析
deephlapan
#!/usr/bin/python

from deephlapan.deephlapan_main import *
from deephlapan.parse_args import *


def main():
    (opt,_)=CommandLineParser()
    deephlapan_main(opt)


if __]]></description><category></category></item></channel></rss>