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

「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

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,抗生素滥用情况日益加剧, 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,2019 年有近 500 万人死于耐药细菌感染,这一数字预计将在 2050 年达到 1,000 万人。 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。如今,人工智能方法虽然可以助力新抗生素的发现,但仍存在诸多限制,例如,评估分子特定性质的预测模型,在大型化学空间中的扩展效果不佳。

针对这一问题,麦克马斯特大学和斯坦福大学的研究人员在 Nature 子刊 Nature Machine Intelligence 上发表了题为「Generative AI for designing and validating easily synthesizable and structurally novel antibiotics」 的论文。

该研究开发了一种新的生成式人工智能模型 SyntheMol,可以基于近 300 亿个分子的化学空间设计出易于合成的新型化合物。 研究团队应用 SyntheMol 设计出了能够抑制超级细菌鲍曼不动杆菌 (A. baumannii) 生长的分子,从中合成了 58 个分子,并验证了其中 6 个结构新颖的分子对鲍曼不动杆菌和其他细菌病原体表现出抗菌活性。

研究亮点:

  • 生成式人工智能模型 SyntheMol 可以从近 300 亿个分子的化学空间中设计易于合成的新型化合物

  • 该模型不仅创造了新的药物结构,还提供了化学合成的详细配方

  • 实验结果表明生成式人工智能具有从广泛的化学空间中设计结构新颖、可合成和有效的小分子抗生素候选物的潜力

在这里插入图片描述

论文地址:
https://www.nature.com/articles/s42256-024-00809-7

关注公众号,后台回复「合成抗生素」获取完整 PDF

数据集:包含 13,524 个独特分子

本研究首先对 3 个不同的化学库进行物理筛选,以用作训练数据集。

化学库 1 包含来自 Pharmakon-1760 库的 2,371 个分子 (360 个 FDA 批准的药物和 400 个国际上批准的药物),以及从植物、动物和微生物中分离的 800 个天然产物。

化学库 2 为药物再利用中心数据库 (Broad Drug Repurposing Hub),包含 6,680 个分子,其中多数是 FDA 批准的药物或临床试验候选药物。

化学库 3 是一个合成小分子筛选集,包含 5,376 个分子,这些分子是从 Broad 研究所的一个更大的化学库中随机抽样得到的。

对于每个数据库,研究人员分别进行了两次生物学重复实验,计算每个化合物的平均标准化 OD600 值,同时还计算了这些 OD600 值的平均值 μ 和标准差 σ,进而使用阈值 μ − 2σ 对这些值进行二值化 (binarization),将低于阈值的所有值标记为活跃,将等于或高于该阈值的所有值标记为非活跃。然后,研究人员合并了这 3 个二值化库,并删除了具有冲突活性标签的重复化合物。

经过上述处理,最终数据集中包含 13,524 个独特分子,其中 470 个 (3.5%) 为活性化合物,13,054 个(96.5%) 为非活性化合物。

模型架构:由性质预测模型引导的蒙特卡洛树搜索

超级细菌 A. Baumannii 以「难根除」而著称,会导致肺炎、脑膜炎和感染伤口,世界卫生组织 (WHO) 已经将其确定为世界上最危险的抗生素耐药细菌之一。因此,实验围绕针对该超级细菌的潜在抗生素候选化合物展开。

在这里插入图片描述

用于抗生素发现的生成式人工智能

如上图,首先,研究人员筛选了约 13,000 个分子的训练集 (Training set),并进行了生长抑制试验,以确定它们对 A. Baumannii 的生物活性,随后又利用这些筛选数据训练了一个属性预测模型 (Property predictor),以预测抗菌活性。

为了生成分子,研究人员选择了一个由近 300 亿个分子组成的化学空间 (Chemical space), 每个分子都可以通过 13 种化学反应中的一种来合成,这些反应可以从约 132,000 个模块中组合出两个或三个分子。

生成式人工智能模型 SyntheMol 使用由属性预测模型引导的蒙特卡洛树搜索 (Monte Carlo tree search, MCTS) 来搜索广阔的组合化学空间, 以寻找对 A. Baumannii 具有活性的有前景的抗生素候选化合物。

在每次 MCTS 展开中,SyntheMol 通过选择 Root 并将它们与 Reaction 组合来构建分子。然后,生成的分子由性质预测模型评估,并向 MCTS 算法提供反馈。随着 MCTS 展开的进行,SyntheMol 学习了哪些 Root 和 Reaction 的组合能够产生具有高性质预测得分的分子。如下图所示:

在这里插入图片描述

生成式人工智能模型 SyntheMol

在一组展开后,SyntheMol 输出所有生成的化合物以及用于合成每个分子所需的具体合成方案——包括 Root 和 Reaction 的顺序。

经过 2 万次迭代后,研究人员筛选出了一组结构新颖、种类繁多的高分化合物, 对这些化合物进行了合成,并在体外对不同系统发育的细菌物种进行了实验测试。

研究结果:SyntheMol 助力化学家合成抗生素并创建配方

在实验中,研究人员将 SyntheMol 应用于使用抗生素性质预测模型发现针对 A. Baumannii 的潜在抗生素候选化合物,并主要使用 SyntheMol 内的 Chemprop 呈现结果。

在 2 万次 MCTS 展开 (不到 8.5 小时) 的过程中,SyntheMol 配合 Chemprop 评估了 4.52 亿个中间节点 ,其中包含多种分子构建模块的组合,并生成了 24,335 个完整的分子, 其中有 2,868 个具有至少 0.5 的 Chemprop 抗菌预测分数。这胜过了一种基于人工智能的虚拟筛选方法,其中 Chemprop 对 1 千万个随机采样的 REAL 分子进行了评分(8 小时),只鉴定出了 374 个分数至少为 0.5 的分子(只有 SyntheMol 的 13%)。

在这里插入图片描述

SyntheMol在每2千次MCTS展开中的

Chemprop抗菌模型得分

SyntheMol 在所有的 MCTS 展开中都生成了高分子,但这些高分子主要集中在早期的展开中,在前 2,000 次展开中生成了 2,868个 (36%) Chemprop,其中得分至少为 0.5 的分子有 1,035 个 (占10%),虽然 20,000 次展开只探索了接近 300 亿分子的化学空间的一部分,但这些结果表明,SyntheMol 快速生成了许多得分最高的化合物。

研究人员选择了 70 种最有可能杀死细菌的化合物,并与乌克兰化学公司 Enamine 合作合成它们。该公司能够有效地生成 58 种此类化合物,研究员进一步验证了这 58 种化合物对 A. Baumannii 的生物活性。实验结果显示,下图所示的 6 种分子 (Enamine 10、23、28、31、40 和 43) 表现出优异的抗菌活性, 即最低抑制浓度** (MIC) ≤ 8 μg ml−1。这代表了 10% 的命中率,几乎是训练集的 3.5% 命中率的三倍。

在这里插入图片描述

抗生素效力分析结果

此外,这 6 种结构新颖的分子还对其他几种系统发育不同的细菌病原体(肺炎克雷伯菌、甲氧西林耐药金黄色葡萄球菌等),显示出了抗菌效力。 具体而言,当与外膜扰动剂 (如 SPR 741或粘菌素) 联合使用时,所有 6 种分子对多种革兰氏阴性细菌鲍曼杆菌、大肠杆菌和肺炎克雷伯菌具有广谱活性,其中一种分子 Enamine 40 对铜绿假单胞菌也有活性。

作为单一药物,这些分子抑制革兰氏阳性细菌耐甲氧西林金黄色葡萄球菌,和缺乏脂多糖和耐粘菌素的鲍曼杆菌革兰氏阴性分离物的生长。实验结果如下图所示:

在这里插入图片描述

生成分子的体外验证实验

目前,SyntheMol 模型也有一些不足之处,它的编程没有考虑要产生高水溶性的分子。 6 种分子中的 4 种抗菌分子的水溶性不足,只有 2 种可以在小鼠模型中进行毒性测试。

虽然需要更多的研究来将这些生成的分子转化为可行的候选抗生素,并改进可合成分子设计的生成人工智能方法,但这些研究结果表明了生成式人工智能具有从广泛的化学空间中设计结构新颖、可合成和有效的小分子抗生素候选物的潜力。

更值得强调的是,该模型不仅创造了新的药物结构,还提供了化学合成的详细配方,使化学家能够在实验室中合成这些药物。

AI + 抗生素研发屡有突破

世界各地的科学家、公共卫生机构和政府都在警告,抗生素耐药性将会是下一个全球重大健康危机。因为自 20 世纪 60 年代以来,细菌和其他某些微生物对抗生素的耐药性越来越强,并且导致了越来越多的死亡事件。

虽然人们对新抗菌药物的需求越来越大,但新开发出的新抗生素却屈指可数。一方面,开发抗生素需要花费很长的时间,传统上,科学家大约需要花费 12 年才能开发一种新的抗生素,再到发现任何临床候选药物,还需要 3-6 年的时间。 另一方面,由于研发抗生素药物所带来的利润过少,导致许多大型制药公司退出了该市场。据估计,2017 年开发一种抗生素的成本约为 15 亿美元,然而,相较于如此高的成本,抗生素药物每年却只能给制药公司带来 4,600 万美元的收入,如果单纯从收入和成本角度考虑,大约需要 32 年才能回本儿。

如今,人工智能技术的快速发展,则为抗生素的研发带来了新的突破和路径。

早在 2020 年,麻省理工学院的科学家们利用深度学习模型发现的「halicin」抗生素分子就展示了前所未有的广谱抗菌能力,这是人类首次完全使用人工智能的方法发现新抗生素。 研究人员表示,halicin 可以消灭一些世界上最危险的细菌,他们的这一研究登上了生命科学顶级期刊 Cell。

2023 年 6 月,加拿大麦克马斯特大学、麻省理工学院的研究人员合作,在 Nature Chemical Biology 期刊发表了题为「Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii 」的研究论文。研究团队使用人工智能算法,发现了一种新型抗生素 abaucin,能够特异性杀死重要的耐药菌 A. Baumannii。 研究团队还计划使用这一人工智能模型来识别对抗其他重要耐药菌(例如金黄色葡萄球菌、铜绿假单胞菌)的抗生素。(点击查看详细解读: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)

在这里插入图片描述

2023 年 12 月,来自麻省理工学院的研究者们开发了一种深度学习方法来发现抗生素,利用图神经网络 Chemprop 从大型化学库中识别潜在的抗生素,并发现了一类新型抗生素, 能够特异性杀死重要的耐药菌 A. Baumannii。(点击查看详细解读:「超级细菌」魔咒或将打破,MIT 利用深度学习发现新型抗生素)

值得注意的是,虽然上述研究中也有针对耐药菌 A. Baumannii 的案例,但是并未使用生成式 AI。与传统的 AI 方法相比,本研究的生成式 AI 模型能够直接设计出候选抗生素分子,并快速探索广阔的化学空间。

在国内学术界,2022 年 6 月,中国科学院微生物研究所的研究人员发表题为「Identification of antimicrobial peptides from the human gut microbiome using deep learning」的研究论文,描述了利用人工智能有效地挖掘大型肠道微生物组数据集,以寻找具有抗菌特性肽的方法。 研究人员在检索出的 4,409 个代表性基因组中筛选出了 2,349 个候选 AMP,通过基因表达数据、相对丰度和与选定细菌的关联,进一步鉴定出 241 条抗菌肽序列,并合成了最终的 216 个多肽,其中的 181 个具有抗菌活性,命中率为 83.8%——这一发现有力的说明机器学习模型能够有效地加快发现新型抗生素的进度。

同年,西安交大一附院的刘冰教授利用基于华为云盘古药物分子大模型打造的 AI 辅助药物设计服务,成功研制超级抗菌药 Drug X, 该药物通过靶向微生物类组蛋白 HU,抑制细菌的 DNA 复制达到抗菌效果,是世界上首次发现噬菌体编码靶向细菌类组蛋白 HU 的抑菌抑制剂。相关研究以「Bacteriophage protein Gp46 is a cross-species inhibitor of nucleoid-associated HU proteins」为题发表在「美国国家科学院院刊」上。

在产业端,国内主要的抗生素生产企业有鲁抗医药、华北制药、科伦药业、哈药股份、川宁生物等,海外企业有赛诺菲、诺华等,其中有多家已明确表示将引入 AI 来进行业务优化。

例如,川宁生物与上海金珵科技有限公司建立战略合作关系,利用 AI 辅助合成生物学研发及合作开发新产品,以提升生产方式和生产效率。赛诺菲于 2023 年宣布全「All in 人工智能和数据科学」,并与百图生科达成合作,利用 BioMap 的人工智能平台,共同开发用于生物治疗药物发现的前沿AI模块。

当然,抗生素分子的发现只是 AI 技术在药物挖掘领域应用的冰山一角。目前,全球各地的学者都在尝试用人工智能技术,降低药物研发成本,缩短研发时间,提高研发效率,使新药开发走上快速高效的道路。

参考资料:
1.https://www.thepaper.cn/newsDetail_forward_20092860
2.https://www.chinagut.cn/articles/ss/a5871d7d61f64fdc9d902e34520654c7
3.https://www.sohu.com/a/374972885_498729
4.https://www.most.gov.cn/gnwkjdt/202206/t20220614_181127.html

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。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

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

对抗耐药细菌新选项

HyperAI超神经 2542

白炽灯寿命工程解析:从钨丝蒸发到电压控制的可靠性设计

白炽灯作为一种经典的电光源,其工作原理基于电流通过钨丝产生热辐射发光。在高温下,钨丝会持续蒸发导致灯丝逐渐变细、电阻增大,这是影响其寿命的核心物理机制。从工程角度看,白炽灯的可靠性设计涉及材料科学、热力学和电路设计的交叉,技术价值在于通过理解其失效原理,可以在成本与性能间取得最佳平衡。在实际应用中,电压波动、开关浪涌电流和机械振动是主要寿命杀手,尤其在工业控制、仪器仪表和特定照明场景中,合理的设计能大幅提升系统稳定性。本文深入探讨了钨蒸发、热应力等关键因素,并结合浪涌抑制和降压设计等实战技巧,为工程师提供了

weixin_28684655的博客 571

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

Gartner《构建可扩展数据产品建设框架》心得

数据产品化:从概念到落地的实践指南 当前企业正从传统数据需求模式转向数据产品化新范式。本文系统阐述了数据产品的核心价值、定义分类和实施框架,指出成功关键是将数据包装为可复用、可扩展的产品。Gartner框架强调产品思维,提出4阶段12步实施路径,涵盖设计、工程、发布和监控全流程。文章特别提醒要避免7大常见误区,如简单重命名报表、忽视元数据治理等,建议采取MVP策略,90天内完成从价值验证到产品落地的闭环。实施中需平衡技术选型与业务需求,建立跨职能团队,并通过AARRR模型持续追踪产品价值。

2501_91410404的博客 1007

软件测试面试题汇总

软件测试面试题汇总 测试技术面试题 ........................................................................................................................................................................ 5 1、什么是兼容

晴天的专栏 2万+

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

智能农业大棚

目 录 摘要 1.绪论 2.系统概述及单片机介绍 2.1整体方案设计思想 2.2系统组成 2.2.1主控芯片的选择 2.2.2传感器模块选择 2.2.3电机驱动模块 2.3 单片机介绍 2.3.1 AT89C51单片机的基本组成 2.3.2AT89C51主要特性 2.3.3管脚说明 2.3.4 AT89C51单片机的存储器 2.3.4.1 程序存储器 2.3.4.2 数据存储器 2.3.5 振荡电路和时钟 2.3.6 AT89C51的中断

weixin_70886450的博客 1327

【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

实验六 存储器实验

只读存储器(ROM)是一种在正常工作时其存储的数据固定不变,其中的数据只能读出,不能写入,即使断电也能够保留数据,要想在只读存储器中存入或改变数据,必须具备特定的条件。当地址为00000101时,会分别在数据位宽为8,16,32的只读寄存器中找到地址为00000101所对应的十进制地址位置,也就是地址为5的数据,并将其分别以8位,16位,32位输出。因此,输出保持为0。因此,当异步清零信号为1时,无论其他输入信号是什么,触发器的输出都会被强制清零,输出为0。1)寄存器输入0011,使能端1,异步清零0。

wenmou1111的博客 3008

深入了解BPM及BPM业务流程管理系统

BPM 即业务流程管理,是一种以规范化的构造端到端的卓越业务流程为中心,以持续地提高组织业务绩效为目的的系统化方法。它涵盖了业务流程的整个生命周期,包括流程的设计、执行、监控、分析和优化。BPM 作为一种先进的管理方法,对于企业提高运营效率、降低成本、提升客户满意度和增强竞争力具有重要意义。BPM 流程管理系统为企业实现 BPM 提供了强大的工具和支持,而 F2BPM 流程管理平台以其先进的技术架构、丰富的功能模块、简单易用的操作界面和强大的定制能力,成为企业实现业务流程管理的理想选择。

Stone3625的博客 2954

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

基于多传感器融合的智身四足机器狗楼梯环境SLAM系统设计与实现

本文设计了一种基于多传感器融合的四足机器狗楼梯环境SLAM系统。系统采用Jetson Orin NX为主控制器,集成RealSense D435i深度相机和Livox Mid360激光雷达,在ROS2框架下实现平面定位精度<5cm、楼梯环境下导航不漂移的目标。通过多层次传感器融合策略、运动学约束优化和状态切换机制,解决了楼梯环境下的定位累积误差问题,实现了平面与楼梯环境的自动识别切换及精度复位功能。硬件设计注重传感器布局优化和精确标定,软件架构采用分层设计,确保实时性能。该系统为四足机器人在复杂地形中

huanghm88的专栏 248

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

YOLOv9分割改进 ,YOLOv9分割改进主干网络为华为EfficientNet,助力涨点

EfficientNet论文中研究了卷积网络的缩放和,并证明对深度,宽度和分辨率复合缩放的重要性,因此精度和效率更好。为了阐述相关的原理,我们提出了简单有效的复合缩放方法,使得模型缩放具有一定设计准则,同时兼顾了模型的效率。我下文将 YOLOv9 分割模型改进主干网络为 EfficientNet 融合网络结构。论文地址代码地址下文都是手把手教程,跟着操作即可添加成功把环境配置好,数据集处理好,训练基本能成功,创作不易,请帮忙点一个爱心,关注我,带你不挂科!

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 942

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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

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")

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

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182
上一篇: 【TVM 教程】在树莓派上部署预训练模型
下一篇: 在线教程|零门槛部署 Llama 3,70B 版本只占 1.07G 存储空间,新用户免费体验 8B 版本
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