【ScienceAI Weekly】闷声发大财!英伟达医疗业务创收 10 亿美元;马斯克:首位人类脑芯片受试者或已康复

读书笔记--智慧图书馆 AI 知识库构建指南 报告系统揭示图书馆智能化转型的路径与挑战。报告指出,AI知识库非简单套用聊天框,而是以本体驱动、数据治理与GraphRAG技术为核心的系统工程。通过“五层架构+安全运维”体系,构建可复用的知识资产底座,严控幻觉风险。提出“落地七步法”与量化验收标准,强调数据分级治理、本体建模与溯源机制。针对公共、高校、专业馆差异化需求,提供场景化实践范例。未来将迈向智能体自主服务、多模态融合与人机协同新阶段,推动图书馆从资源提供者向智能知识枢纽跃迁。 阅读详情

AI for Science 的新成果、新动态、新视角 ——

  • 英伟达的医疗保健业务在 2024 财年创造了 10 亿美元以上的收入

  • Bioptimus 获得 3500 万美元的种子轮融资

  • Neuralink 首位人类受试者或已康复

  • WIVI Vision 获 400 万欧元融资

  • 伊犁川宁生物技术股份有限公司与上海金珵科技有限公司达成合作

  • 科技部发布了我国首部《脑机接口研究伦理指引》

详见下文~

企业动态

英伟达的医疗保健业务在 2024 财年创造了 10 亿美元以上的收入

据悉,英伟达的医疗保健业务在 2024 财年创造了 10 亿美元以上的收入,比目标提前了 2-3 年。目前,英伟达已拥有十余个生成式 AI 模型,包括小分子建模工具、OpenFold 蛋白质预测模型,以及与 Recursion 开发的用于靶点和药物发现的 Phenom-Beta 模型等。2023 年间,英伟达共投资 9 家 AI 制药公司,分别是 Charm Therapeutics, Recursion Pharmaceuticals, Genesis Therapeutics, Superluminal Medicines, Inceptive, Generate Biomedicines, Evozyne, Iambic Therapeutics 和 Erray Therapeutics 。

Bioptimus 获得 3500 万美元的种子轮融资

近日,法国初创公司 Bioptimus 获得 3500 万美元的种子轮融资,本轮融资由 Sofinnova Partners 和 Bpifrance Large Venture 领投,Cathay Innovation 和 Headline 其他公司也进行了追投。Bioptimus 团队的主要成员由谷歌 DeepMind 和法国人工智能公司 Owkin 的前高管组成,目标是构建生物学领域第一个通用人工智能基础模型,推动科学突破性发现并加速生物医学及其他领域的创新。

Neuralink 首位人类受试者或已康复

当地时间 2 月 20 日,特斯拉 CEO 埃隆·马斯克表示,首位植入了神经连接公司 (Neuralink) 脑芯片的人类受试者「似乎已完全康复,没有出现我们所知的不良反应,受试者只需要思考就可以在电脑屏幕上移动鼠标」。

该公司于 2016 年由马斯克成立,公司的使命是开发治疗各种脑部相关疾病的脑机接口,创建一个能够更紧密地连接生物和人工智能的全脑接口。去年 5 月,Neuralink 称其首次人体临床试验获得了美国食品和药物管理局 (FDA) 的批准;去年 9 月,Neuralink 宣布将在今年进行首次脑机接口人体试验。

WIVI Vision 获 400 万欧元融资

西班牙公司 Vision 获得了 400 万欧元的融资。本轮融资由 Adara Ventures 领投,Hearstlab, Avançsa, Caixabank DayOne 和 BBVA Spark 等也参与了本轮融资。公司打算利用此次融资资金促进其国内和国际发展,并加快团队扩张,支持新技术的开发。

WIVI Vision是一家视觉治疗服务商,于 2016 年成立,公司力图通过大数据和人工智能 (AI) 技术来评估某人是否患有视觉功能障碍,并基于 3D 的个性化的训练方案来改善患者视力,提供视觉治疗方案。

伊犁川宁生物技术股份有限公司与上海金珵科技有限公司达成合作

2 月 22 日,伊犁川宁生物技术股份有限公司与上海金珵科技有限公司宣布达成合作,双方将充分发挥各方在各自领域的优势,整合各类资源,就川宁生物抗生素中间体发酵产业的优化升级、利用 AI 辅助合成生物学研发及合作开发新产品等方面开展合作,将人工智能与川宁生物现有产业结合,尽快形成新质生产力,以全面提升川宁生物的生产方式和生产效率。

政策规范

科技部发布了我国首部《脑机接口研究伦理指引》

2024 年 2 月,科技部发布了我国首部《脑机接口研究伦理指引》,明确开展脑机接口研究,应确保研究具有社会价值,应主要致力于修复型脑机接口技术,强调通过技术的发展服务公众的健康需求。非医学目的的注意力调节、睡眠调节、记忆调节、外骨骼等增强型脑机接口技术应在严格规范、明确获益的前提下,一定程度上鼓励探索和发展。《指引》还明确了脑机接口的使用目的和被试者隐私保护等问题。

完整规范详见:

https://www.most.gov.cn/kjbgz/202402/t20240202_189582.html

工具资源

BLAST (Basic Local Alignment Search Tool):生物大分子序列比对搜索工具

BLAST 能够查找生物序列之间的局部相似性区域,将核苷酸或蛋白质序列与序列数据库进行比较,并计算统计意义,可用于推断序列之间的功能和进化关系,并帮助识别基因家族成员。

开源地址:

https://blast.ncbi.nlm.nih.gov/Blast.cgi

TheAlgorithms/C-Plus-Plus:算法合集

TheAlgorithms/C-Plus-Plus 是以 C++ 实现数学、机器学习、计算机科学和物理领域的各种算法的集合。

资源地址:

https://github.com/TheAlgorithms/C-Plus-Plus

NIMS-OS:自动材料探测

NIMS-OS (NIMS Orchestration System) 是一个 Python 库,无需人工干预,即可进行自动材料探测。NIMS 自动机器人电化学实验 (NAREE) 系统可用作机器人实验,还能够提供结果可视化工具,允许用户实时检查优化结果。

资源地址:

https://github.com/nimsos-dev/nimsos

ChemCrow:简化常见化学任务推理

ChemCrow 是一个开源软件包,整合了 13 种专家设计的化学工具,旨在简化药物、材料设计和合成等领域中各种常见化学任务的推理过程。模型在合成生成的流程图的独立测试数据集上实现了 80% 的 top-1 准确度和 84% 的 top-5 准确度,可以学习自动更正合成流程图。

资源地址:

https://github.com/ur-whitelab/chemcrow-public

BioMistral:生物医学领域开源 LLM

BioMistral 7B 是面向生物医学领域的专业 LLM,源自 Mistral 7B Instruct v0.1,并在 PubMed Central 上进一步进行了预训练。

资源地址:

https://huggingface.co/BioMistral/BioMistral-7B

科研成果

基于深度强化学习,提前 300 毫秒预测潜在等离子体撕裂

Avoiding fusion plasma tearing instability with deep reinforcement learning

在这里插入图片描述

  • 来源:Nature

  • 领域:能源环境

  • 作者:普林斯顿大学

等离子体不稳定性问题是核聚变研究中的重要挑战。研究人员以多模态动态模型作为强化学习 AI 的训练环境,构建了一个深度神经网络,能够根据实时的等离子体特征,预测未来撕裂模式不稳定性的发生概率,并且在圣地亚哥的 DIII-D 国家聚变设施进行了实验,结果表明,其所开发的 AI 控制器可以预测破裂前 300 毫秒的等离子体不稳定性。

阅读原文:

https://www.nature.com/articles/s41586-024-07024-9

用多尺度深度生成模型预测状态特异性蛋白质-配体复合物结构

State-specific protein–ligand complex structure prediction with a multiscale deep generative model

在这里插入图片描述

  • 来源:Nature

  • 领域:生物医药

  • 作者:加州理工学院

研究人员提出的 NeuralPLexer,采用深度生成模型,以原子分辨率对结合复合物的三维结构及其构象变化进行采样。研究表明,NeuralPLexer 预测结果与酶工程和药物发现中重要靶点的结构测定实验一致。此外,在具有较大构象变化的代表性结构对,以及新近确定的配体结合蛋白方面,NeuralPLexer 的全局蛋白结构预测准确性始终优于 AlphaFold2。

阅读原文:

https://www.nature.com/articles/s42256-024-00792-z

基于图神经网络实现新药相互作用预测

Emerging drug interaction prediction enabled by a flow-based graph neural network with biomedical network

在这里插入图片描述

  • 来源:Nature Computational Science

  • 领域:生物医药

  • 作者:清华大学

研究人员提出了一种图神经网络 EmerGNN,通过提取药物配对之间的路径,将信息从一种药物传播到另一种药物,并在路径上加入相关的生物医学概念,从而学习药物配对特征。实验表明,EmerGNN 在预测新兴药物的相互作用方面比现有方法具有更高的准确性。

阅读原文:

https://www.nature.com/articles/s43588-023-00558-4

Cas-DiffCom:用于完成婴儿纵向超分辨率 3D 医学图像的级联扩散模型

Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion

在这里插入图片描述

  • 来源:arXiv

  • 领域:医疗健康

  • 作者:上海科技大学

研究人员提出了一种级联扩散模型 Cas-DiffCom,用于密集和纵向的 3D 婴儿脑部磁共振成像补全和超分辨,并将提出的方法应用于婴儿连接组项目 (BCP) 数据集。研究结果表明,Cas-DiffCom 在纵向婴儿脑图像完成方面实现了个体一致性和高保真度。

阅读原文:

https://arxiv.org/abs/2402.13776

生成式 AI 用于碳捕集

A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture

在这里插入图片描述

  • 来源:Communications Chemistry

  • 领域:材料化学

  • 作者:美国阿贡国家实验室

Metal-organic frameworks (MOFs) 在二氧化碳捕集方面具有巨大潜力。研究人员提出的生成式 AI 高性能框架 GHP-MOFassemble,通过组装随机生成的 MOFs 结构,结合分子动力学模拟和 Monte Carlo 模拟,可以在 30 分钟内逐个构件快速组装出超过 12 万个新的候选 MOFs。

阅读原文:

https://www.nature.com/articles/s42004-023-01090-2

活动预告

SIMONS 研讨会将于 5 月 6 日举行

由纽约大学主办的 SIMONS 研讨会将于 5 月 6 日在纽约大学金梅尔中心举行,邀请到了来自牛津大学、柏林自由大学等高校的学者,共同探讨生物分子模拟的最新进展,以及发展挑战等话题。

本次研讨会的初拟议题包括:结合模拟、实验数据和机器学习了解蛋白质动力学,细菌膜的大规模 MD 模拟,通过物理建模和大规模模拟揭示染色质结构与动力学等。

报名链接:

https://wp.nyu.edu/sccpc/event/challenges-in-biomolecular-simulations-symposium/

AI4SCIENCE @ 加州理工学院

加州理工学院启动 AI4Science 计划,本次计划由 Anima Anandkumar 和 Yisong Yue 教授引领,汇聚了 AI 及其他学科的多位专家,致力于将前沿人工智能技术融入科学与工程各领域,打破学科壁垒,驱动科研创新与发展。

在学年内,该计划将每两周举办一次,固定在周三的中午,采取讲座和课程的方式,为来自不同科学领域的学者提供机器学习理论知识培训以及实践机会。

报名链接:

https://www.ai4science.caltech.edu/events.html

活动回顾

AI for Science 系列直播

由上海交通大学自然科学研究院、上海国家应用数学中心(上海交通大学分中心)主办的 AI for Science 系列直播第五期将于 2 月 29 日开幕,直播主题为多模态生成式大模型的研究进展,演讲人 Yangshuai Wang,将探讨人工智能在科学研究中的应用和潜力,通过分享最新的研究成果和技术进展,加强学术界对 AI 在科学领域的认识和应用,推动跨学科合作,促进科学进步。

活动链接:

https://mp.weixin.qq.com/s/0kkh52_qhLr2bn-75GulPw

LoG 2023 上海干货分享

上海交通大学与北京大学携手在上海成功举办了 LoG2023 研讨会。本次会议聚焦图形与几何机器学习的相关领域,联合国内外数学精英与计算机科学专家力量,围绕构建几何深度学习的数学理论展开深入研讨,培养可靠的拓扑结构和高效的深度神经网络计算单元。

直播回放:

https://log2023sh.github.io/


以上就是「Science AI Weekly」本要分享的所有内容了~

如果你有关于 AI for Science 的最新研究成果、企业一手信息等,欢迎留言「爆料」。

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 538

杭州化学智能体:卡在「最后一双手」上

它成立的条件是:完整的自动化实验平台、高质量的文献与模拟数据、明确且单一的优化目标。值得关注的方向,不是等一个更大的模型自己「学会化学」,而是让执行型智能体的每次操作都受化学规律与专家经验约束:像 SciRail 那样把物理化学规律写进推理边界,像 schema 工具接口那样把失败模式在构造阶段消除,像约束型岗位智能体那样把终审权与拦截点留给人。数字远不如「5 周、55 万种」耀眼,参考价值却在这里:平台不完整、数据不规整、目标不单一时,智能体靠的不是更强的推理,而是知识边界、人工终审与执行拦截。

LPCK_20260622的博客 364

实战指南:在UE5中高效集成Entt(ECS)框架

本文提供了一份在虚幻引擎5中高效集成Entt ECS框架的实战指南。针对UE5项目在处理大规模动态实体时的性能瓶颈,详细讲解了如何通过数据驱动的ECS架构进行优化。内容包括前期环境准备、核心构建步骤、创建首个ECS子系统以及与UE原生系统的数据同步技巧,旨在帮助开发者快速掌握集成方法,提升游戏逻辑的执行效率。

weixin_29002209的博客 158

HTML5 中的微数据、RDFa:让搜索引擎读懂你的网页内容

星级评分价格 / 库存发布时间面包屑活动日期文章作者头像,HTML5 原生、直观但耦合布局,更标准、更强大、更啰嗦JSON-LD:脱离 DOM,现代首选三者都靠schema.org 词汇表表达语义目标不是“排名”,是让爬虫/AI明确知道:这段字不是文本,是“实体 + 属性”写页面时多问一句:“如果去掉 CSS,机器还知道这是什么吗?

2603_94941239的博客 114

GoPro官方API实战:从蓝牙配对到Wi-Fi流媒体,构建跨平台控制应用

本文详细解析了GoPro官方API的开发实践,涵盖蓝牙配对、Wi-Fi流媒体控制等关键技术。通过实战案例,指导开发者如何构建跨平台控制应用,解决设备发现、指令解析、视频流传输等核心问题,并分享Android平台迁移经验与常见问题排查方法。

weixin_30727835的博客 397

薄膜电容寿命预测全解析:从理论到实践,5步搞定可靠性评估

本文全面解析薄膜电容寿命预测的理论与实践,提供五步可靠性评估流程,涵盖温度应力、电压应力等关键因素分析,并分享提升寿命的实用技巧。特别适用于新能源、电动汽车等领域的设计工程师,帮助准确预测薄膜电容在实际工况下的使用寿命。

weixin_33712987的博客 436

如何用 AI 制定跨境电商营销活动?

人工智能去制定跨境电子商务的营销活动, 说起来就是简简单单的一件事情, 这意思就是必须让人工智能拿着你自己的店铺里面那些真实存在的数据去运行相应的策略

上海青山不语网络的博客 272

探针卡技术演进:从金线微针到MEMS探针的Wafer Sort革命

本文探讨了探针卡技术从传统金线微针到MEMS探针的演进,及其对晶圆测试(Wafer Sort)的革命性影响。随着芯片焊垫间距进入45微米以下,MEMS技术凭借其超高精度、超长寿命和卓越的信号完整性,成为应对高密度、高速及3D IC测试挑战的关键,显著提升了测试效率与稳定性。

lstm7chronicler的博客 365

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

cesium轨迹线(图片轨迹线)

文章介绍了如何在Cesium中实现图片轨迹线的效果。通过使用ellipse方法加载圆形,并修改polyline中的material方法,重写GLSL来实现动态的轨迹线效果。文章提供了完整的示例代码,包括HTML和JavaScript部分,展示了如何通过自定义的PolylineImageTrailMaterialProperty类来实现这一效果。该类的核心在于通过_definitionChanged事件、getValue方法以及相关属性(如颜色、速度、图片等)来动态生成轨迹线。文章还提供了源码链接,方便读者进

God's asylum的博客 1456

【部署】Ubuntu 24.04.4虚拟机下部署OpenClaw

OpenClaw是一款基于AI的智能助手工具,本文详细介绍了在Ubuntu 24.04.4系统上的三种安装方法。推荐使用一键安装脚本(curl -fsSL https://openclaw.ai/install.sh | bash),自动完成Node.js检测、CLI安装和引导配置。对于开发者,提供了从源码构建的详细步骤,包括环境准备、依赖安装和构建流程。文章还包含常见问题解决方案(如sharp构建错误处理)以及后续维护建议(更新、配置检查和日志查看)。安装完成后,用户可通过终端TUI或Web UI进行初始

海兰 1万+

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

R语言缺失值填补|插值法、均值法、邻近法

本文主要介绍如何利用R语言进行数值型缺失值的填补。主要使用zoo包中的na.aggregate() 、na.approx()、na.locf() 函数进行缺失值的均值填补、线性插值填补以及邻近值填补。

Mrrunsen的博客 3843

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

SAP_ABAP_SD_BAPI清单案例教程——销售订单开票_BAPI_BILLINGDOC_CREATEMULTIPLE_VF01_S4版本

SAP BAPI(Business Application Programming Interface)是SAP系统中的一组规范和标准,用于从SAP系统中获取数据、输入数据和更新数据。这些API允许开发者以编程方式与SAP系统交互,而无需编写大量的自定义代码。2.1 Copy代码 直接可使用。2.2 VF01开票。

java_zhong1990的专栏 2216

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 619

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5168

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 573
上一篇: 自主研发!军事医学研究院团队提出 MIDAS,可用于单细胞多组学数据马赛克整合
下一篇: 每周编辑精选|大模型有自己的 MBTI 数据集、成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘
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