AI 对抗超级细菌:麦克马斯特大学利用深度学习发现新型抗生素 abaucin

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

内容一览:鲍曼不动杆菌是一种常见的医院获得性革兰氏阴性病原体,通常表现出多重耐药性。利用传统方法,发现抑制此菌的新型抗生素很困难。但利用机器学习可以快速探索化学空间,从而增加发现新型抗菌分子的可能性。近期,国际期刊《Nature Chemical Biology》上发布了一篇研究成果,研究人员发现 abaucin 能够有效地抑制鲍曼不动杆菌。

关键词:鲍曼不动杆菌 abaucin 深度学习

本文首发自 HyperAI 超神经微信公众平台~

鲍曼不动杆菌(学名:Acinetobacter baumannii,俗称:AB 菌)为不动杆菌属中最常见的一种革兰阴性杆菌,广泛存在于自然界的水及土壤中,也存在于正常人体皮肤、呼吸道、消化道和泌尿生殖道中。该菌常见于医院感染,也是水产养殖业动物的病原菌,通常会引起菌血症、肺炎、脑膜炎、腹膜炎、心内膜炎以及泌尿道和皮肤感染。

鲍曼不动杆菌对湿热、紫外线、化学消毒剂有较强的抵抗力,耐低温。在干燥的物体表面可以存活 25 天以上,常规消毒剂只能抑制其生长,不能杀灭,而且耐受肥皂,是医务人员手上、医疗器械、物体表面最常分离到的革兰阴性杆菌。由于抗生素的滥用,鲍曼不动杆菌产生多重抗药性,被世界卫生组织认定为世界上最危险的耐抗生素细菌之一。

近期,来自麦克马斯特大学 (McMaster University) 的 Gary Liu 以及来自麻省理工学院 (Massachusetts Institute of Technology) 的 Denise B. Catacutan 等研究人员利用深度学习筛选了大约 7,500 个分子,找出了抑制鲍曼不动杆菌的新型抗生素。目前,该研究已发布在《Nature Chemical Biology》期刊上,标题为「Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii」。

该研究成果已发表在《Nature Chemical Biology》期刊上

论文地址:

Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii | Nature Chemical Biology

实验过程

数据集 

研究人员基于鲍曼不动杆菌 ATCC 17978 在 LB 培养基中的生长,对 7,684 个小分子进行了筛选。这些小分子包括 2,341 个非专利药物和 5,343 个合成化学物,都是由 Broad 研究所的高通量筛选子库提供的。根据传统的命中率分界线(即与整个数据集的平均生长抑制率相比低于一个标准差的分子),他们确定了 480 个分子为「活性」,而 7,204 个分子为「非活性」。

模型训练 

为了增强模型结构,研究人员将分子表征与使用 RDCit 计算的 200 个额外的分子级特征连接起来。此外,为了进一步提高模型的性能,研究人员使用了一个由 10 个模型组成的集合,对 7,684 个分子的训练数据集(有 ~6.2% 的有效例子)进行模型建立和训练,并将模型应用于更新的药物再利用中心 (Drug  Repurposing Hub)。研究人员把数据集随机分成 80% 的训练数据、10% 的验证数据和 10% 的测试数据。

图 1:模型训练数据

a. 7,684 个小分子的初步筛选数据,这些小分子在 50 μM 的 LB 培养基中抑制鲍曼不动杆菌 ATCC 17978 的生长。

b.  从预测集中选择用于验证的 240 个优先分子的排序生长抑制数据(上);预测得分最低的 240 个预测分子的排序生长抑制数据(中);训练数据集中未找到的具有最高预测分数的 240 个预测分子的排序生长抑制数据(底部)。水平虚线代表 50 μM 时 >80% 生长抑制的严格命中截止值。

c.  鲍曼不动杆菌在 LB 培养基中被 abaucin(蓝色)和 serdemetan(红色)抑制生长。

d.  用不同浓度的 abaucin 处理 6 小时后鲍曼不动杆菌细胞的生长动力。

代码获取:

GitHub - chemprop/chemprop: Message Passing Neural Networks for Molecule Property Prediction

小鼠模型实验 

研究人员对 6 至 8 周大的雌性 C57BL/6N 小鼠进行了预处理,在实验开始前四天和前一天分别按体重注射了 150 mg/kg 及 100 mg/kg 的环磷酰胺,使小鼠中性粒细胞减少。在第 0 天,用异氟醚对小鼠进行麻醉,并以 0.1 mg/kg 的剂量对小鼠进行腹腔注射丁丙诺啡作为止痛剂。研究人员用大约 30-35 片高压胶布在小鼠背上留下 2 平方厘米的擦伤,通过胶布剥离到表皮基底层,随即使用 ~6.5 x 106 CFU A. baumannii ATCC 17978 感染小鼠。小鼠 (n = 5/6) 在感染后 1、2、3、4、6、10、21 和 24 小时用 ~10-20 μl 带有 abaucin 的 Glaxal Base (实验组) 或 DMSO (对照组) 治疗。

实验结果

研究人员在机器学习的帮助下发现了一种名为 abaucin 的抗菌化合物,它具有针对鲍曼不动杆菌的窄谱活性,能够通过干扰 LolE 的机制来干扰类脂蛋白的转运过程。下图显示了深度学习引导发现 abaucin 的过程。

图 2:机器学习引导发现 abaucin

a.  筛选的 ~7,500 个分子(蓝色);用该生长抑制数据集训练的定向信息传递的深度神经网络,并在药物再利用中心进行预测(红色);能够抑制鲍曼不动杆菌的新分子(紫色)。

b. 7,684 个小分子集合在 50 μM 时对鲍曼不动杆菌 ATCC 17978 的生长抑制。

c.  训练后的模型对药物再利用中心内的分子进行的预测分数排序。预测分数大于 0.2 的分子为初步候选分子。

d. A t-SNE 图显示了训练数据集(蓝色)、预测集(红色)和 abaucin(黄色)之间的化学关系。

e. abaucin 在 LB 培养基中对鲍曼不动杆菌的生长抑制。

f. abaucin 在营养丰富的条件下以不同浓度培养 1.5 小时(蓝色)、3 小时(蓝绿色)、4.5 小时(绿色)和 6 小时(紫色)后对鲍曼不动杆菌的杀伤力。

g. abaucin 在营养不足的条件下培养 1.5 小时(蓝色)、3 小时(蓝绿色)、4.5 小时(绿色)和 6 小时(紫色)后对鲍曼不动杆菌的杀伤力。

如图 2 所示,研究人员筛选了大约 7,500 个分子,利用这个生长抑制数据集训练了一个神经网络,并对能够抑制鲍曼不动杆菌活性的新型分子进行了预测。总的来说,这些数据表明,abaucin 通过抑制一种在生长和分裂期间活性最大的生物过程而发挥其抗菌效力,与大多数已知的抗生素一致。

此外,为了测试 abaucin 的体内功效,研究人员在小鼠的背面建立了伤口感染。

图 3:abaucin 可以抑制伤口模型中的鲍曼不动杆菌感染

a.  在背部伤口感染模型中,小鼠感染鲍曼不动杆菌 ATCC 17978 (~6.5 x 106 CFU)。感染 1 小时后,用 DMSO(红色;n = 6)或 4% abaucin(蓝色;n = 6)治疗小鼠 24 小时以上。纵轴是感染后 25 小时伤口组织的细菌负荷。Pre-Tx 代表初始治疗时的细菌负荷 (n = 5)。黑线代表平均值 ±s.d。NS 表示无统计学意义;** P < 0.005 使用未配对的两侧 t 检验和 Welch 校正(Pre-Tx 与 4% abaucin 相比,P= 0.0704;Pre-Tx 与 DMSO 相比,P= 0.0034;DMSO 与 4% abaucin 相比,P= 0.0039)。

p.s.  一般一个星号代表 p 值小于 0.05,两个星号代表 p 值小于 0.01,三颗星代表 p 值小于 0.001。p 值越小,显著性越强。

b.  感染前 (t = 0)、用 DMSO 处理 24 小时后以及用 abaucin 处理 24 小时后的小鼠背表面图像。在 DMSO 中观察到的炎症 (箭头) 在用 abaucin 处理的小鼠中不存在。

图 3 显示,使用 abaucin 进行治疗后的伤口细菌负荷明显低于 DMSO 组,且在用 DMSO 处理 24 小时后仍存在的伤口炎症在 abaucin 中消失了,abaucin 能够有效地控制鲍曼不动杆菌的感染。

综上,研究人员利用深度学习发现 abaucin 能够有效控制鲍曼不动杆菌感染,这项研究强调了机器学习在发现新抗生素方面的作用,并引导了具有挑战性的革兰阴性病原体研究。

AI 改变传统新药发现方式

值得注意的是,本研究为麦克马斯特大学助理教授 Jon Stokes 与 MIT 医学工程和科学教授 James J. Collins、麦克马斯特大学研究生 Gary Liu 及 Denise Catacutan 等人一起开展的。Jon Stokes、Gary Liu 与 Denise Catacutan 皆为 Stokes Laboratory 的成员。

Stokes Laboratory 地址:

Projects — We are the Stokes Lab

该实验室通过利用最先进的高通量生物学和当代人工智能方法来发现新型抗生素。具体而言,研究人员通过训练深度学习模型从庞大的计算机模拟数据库中预测新型抗生素,还建立模型来预测新抗生素的作用机制和体内特性。他们利用机器学习来加速新型抗生素的发现进程,同时降低研发成本。

Stokes 教授曾在一次采访中说到「人工智能将从根本上改变新药发现方式」。研究结果表明,人工智能对发现针对多种具有挑战性病原体的新型抗生素具有重大意义,这种方法在寻找其他抗菌疗法方面也具有潜力。人工智能虽然不能解决所有问题,但作为一种强大的工具,它可以帮助我们寻找新药,为人们带来希望。


参考文章:

[1]http://ccm.dxy.cn/article/805579

[2]https://zh.wikipedia.org/wiki/%E9%AE%91%E6%B0%8F%E4%B8%8D%E5%8B%95%E6%A1%BF%E8%8F%8C

[3]https://www.ctvnews.ca/health/scientists-use-ai-to-discover-antibiotic-for-very-difficult-to-treat-bacteria-1.6411927

本文首发自 HyperAI 超神经微信公众平台~

TC3XX - MCAL知识点(一):新建Tc3xx EB-tresos工程 基于EB-tresos建立Hightec或者Tasking工程的时候,第一个步骤就是需要新建一个EB-tresos的工程,本文记录一下如何新建一个EB-tresos工程,以及对其进行简单的操作。那么Tc3xx的MCAL包含哪些内容呢? 阅读详情

相关推荐

Chapter 19 Digital Phase-Locked Loops

数字锁相环 Digital Phase-Locked Loops, 就是根据原来时钟信号, 产生新的时钟信号, which is locked or synchronized. (align 参考时钟边沿 or 在中间)

2304_76736886的博客 973

千万耐药细菌感染病患福音!麦马联手斯坦福,用生成式 AI 开发新型抗生素

自 1928 年亚历山大·弗莱明发现青霉素开始,抗生素作为人类医药史上最重要的发现之一,已经彻底改变了现代医学。然而,在实际的诊疗中,这一现象在部分监管不严格的三四线城市中尤为突出,这也导致细菌正在产生耐药性。2022 年发表在《柳叶刀》上的一项研究提出,同一研究还显示,抗生素耐药性 (AMR) 目前是全球第三大死因,仅次于心脏病和中风,超过了艾滋病毒/艾滋病、乳腺癌和疟疾造成的死亡率。面对细菌耐药性问题,在严格控制抗生素滥用的基础上,加速研发结构新颖的抗生素迫在眉睫。

HyperAI超神经 853

PICO4 VR开发调试神器:用Live Preview Plugin实现电脑串流,告别反复打包烧录的繁琐流程

本文详细介绍了PICO4 VR开发中如何使用Live Preview Plugin实现电脑串流,显著提升开发效率。通过实时预览和调试功能,开发者可以避免反复打包烧录的繁琐流程,特别适用于Unity环境下的VR应用开发。文章涵盖环境配置、连接设置、实时调试技巧及性能优化方案,是PICO4开发者的必备指南。

weixin_34110970的博客 420

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 242

OpenWrt虚拟机磁盘扩容实战:从SquashFS到ext4的完整避坑指南

本文详细介绍了OpenWrt虚拟机磁盘扩容的完整流程,重点对比了SquashFS和ext4文件系统在扩容操作上的关键差异。通过五步安全迁移法和直接分区调整方案,帮助用户有效解决磁盘空间不足问题,同时提供高级技巧和故障排除指南,确保扩容过程顺利无坑。

weixin_29251131的博客 236

以GD32F103C8T6为例的核心板原理图PCB绘制学习笔记简单总结

重点在supplier part是立创商城的编号,可以搜到。

2301_80397661的博客 3271

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 980

sap中途启用物料账

spro->控制->产品成本控制->实际成本核算/物料分类帐->实际成本核算->激活实际成本的在产品。spro->控制->产品成本控制->实际成本核算/物料分类帐->实际成本核算->激活实际成本组件划分。spro->控制->产品成本控制->实际成本核算/物料分类帐->实际成本核算->激活实际成本核算。spro->控制->产品成本控制->实际成本核算/物料分类帐->激活评估范围的物料分类账。2.对于之前存在物料移动,但是期初没有库存的物料,物料分类账里追踪不到相关物料信息。1.需要激活物料分类账。

Yeol827的博客 997

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 159

向华为学习——解读99页华为战略解码【附全文阅读】

摘要:本方案针对企业战略落地难题,系统介绍华为战略解码方法论。内容涵盖BLM模型等核心工具,聚焦差距分析、市场洞察等关键环节,详细拆解战略到KPI、PBC的落地路径,配套组织保障和执行督导体系。适用于高管及战略规划人员,提供从战略制定到执行的全流程解决方案,帮助企业实现战略与执行的高效协同。

cdfunlove的博客 332

微信小程序 - [wxapplib]] backgroundfetch privacy fail {“errno”:101,“errMsg”:“private_getBackgroundFetchDa

微信小程序报错之backgroundfetch privacy fail,微信小程序报错WAServiceMainContext.js:1 [wxapplib]] backgroundfetch privacy fail {“errno“:101,怎么解决?问题出现:调用wx.chooseMessageFile报错(开发者工具中正常)用户隐私协议中未声明小程序使用此功能,安卓真机调试报错:backgroundfetch privacy fail ,怎么解决?微信小程序[wxapplib]] backgrou

🏆 前端领域优质创作者 1万+

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 233

Python 爬虫教程:财经新闻实时抓取(最新资讯 + 关键词提取)

在当今信息爆炸的时代,财经新闻的实时获取对于投资者、研究人员以及普通大众来说都具有重要的价值。通过 Python 爬虫技术,我们可以高效地抓取财经新闻,并提取其中的关键信息,以便更好地进行数据分析和决策支持。本文将详细介绍如何使用 Python 编写一个财经新闻实时抓取系统,并结合关键词提取技术,帮助读者快速掌握 Python 爬虫的核心技能。

yansideyucsdn的博客 1051

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 429

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 398

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 164

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 295

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 189

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 336

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 224

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 522

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 340

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 213

AI 学习第 14 课:CNN 训 6 轮卡在 0.5352,数据没打乱

第 13 课把 Conv2d 的参数量和池化后的尺寸算清了,这课把卷积块拼成一个能训练的完整网络,跑满 6 个 epoch。第一版直接卡死:loss 从 2.6104 掉到 0.6989 就再也不动,

aifannihao的博客 252

深度学习基本原理:从数学基础到神经网络训练

深度学习训练的核心,是先确定模型结构,再通过前向计算得到损失,利用链式法则和反向传播计算梯度,最后借助优化器与学习率不断更新参数。真正理解这条链路,后续学习更复杂的网络结构才有可靠的基础。

chh563的博客 178
上一篇: 2023 IJCAI YES 青年精英学术大会正式开幕:群贤毕至,开启为期三天的智慧盛宴
下一篇: 爬取 2 万多张 Flickr 图片,莫纳什大学复现 10 年间日本樱花开放的时空特征
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值