入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%

《用于预测蛋白质-配体结合亲和力的结构感知交互图神经网络》 《用于预测蛋白质-配体结合亲和力的结构感知交互图神经网络》 1.文章原标题与链接 《Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity》 原文链接 2.简介 药物发现通常依赖于蛋白质——配体结合亲和力的成功预测 图神经网络(GNNS)能实现更好的亲和预测 现有解决方案:**将蛋白质——配体复合物视为拓扑图数据 本文改进:结构感知的交互图形神经网络 1. 阅读详情

生命系统中,几乎所有生物和药理过程都涉及受体(靶蛋白)和配体(小分子)之间的相互作用,这些相互作用发生在靶蛋白结构的特定区域,称为「结合位点」——预测靶蛋白的结合位点在药物发现等各种下游任务中起着基础性的作用。

近年来,受深度学习突破的启发,卷积神经网络 (CNN) 已经成功应用于配体结合位点预测。基于 CNN 的方法通过将蛋白质的原子空间聚类到最近的体素 (voxel) 中,将蛋白质视为三维图像,然后将结合位点预测建模为 3D 网格上的目标检测问题或语义分割任务。这些方法具有一定的优越性,但仍存在挑战,例如,在表示不规则蛋白质结构方面存在缺陷;对旋转敏感;对蛋白质表面几何特征描述不足;对蛋白质大小变化不敏感。

为此,来自中国人民大学高瓴人工智能学院的研究团队,近期在 AI 领域顶级学术会议 ICML 2024 上,发表了题为「EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction」的研究论文。该研究首次将 E(3) 等变图神经网络 (GNN) 应用于配体结合位点预测,提出名为 EquiPocket 的框架, 解决了基于 CNN 的方法所遇到的挑战。

研究亮点:

  • 首次将 E(3) 等变 GNN 应用于配体结合位点预测

  • 与传统的基于 CNN 的方法相比,EquiPocket 不需要体素化过程,能够对不规则的蛋白质结构进行建模,对任何欧氏变换都不敏感,从而解决了「在表示不规则蛋白质结构方面存在缺陷」以及「对旋转敏感」等挑战

  • 在有代表性的基准方法上进行的广泛实验,证明了 EquiPocket 相比于当前最先进方法的优越性,有助于药物发现等各种下游任务

在这里插入图片描述

论文地址:
https://openreview.net/forum?id=1vGN3CSxVs

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

数据集:多个专业数据集综合验证

研究人员选取了多个专业数据集,并使用每个数据集的 mlig 子集进行评估,这些子集包含用于结合位点预测的相关配体。

其中,scPDB 是用于结合位点预测的著名数据集, 包含由 VolSite 生成的蛋白质、配体和三维空腔结构。本研究使用 2017 年发布的版本进行训练和交叉验证,该版本包含 17,594 个结构、16,034 个条目、4,782 种蛋白质和 6,326 种配体。

PDBbind 是一个研究蛋白质-配体复合物常用的数据集, 包含蛋白质、配体、结合位点的三维结构以及实验室确定的准确结合亲和力结果。本研究使用 2020 年版本进行评估,该版本包括两个部分:普通集 (14,127 个复合物) 和精炼集 (5,316 个复合物)。普通集包含所有的蛋白质-配体复合物,精炼集则从普通集中挑选出质量更好的化合物,用于实验测试。

COACH 420 和 HOLO4K 是用于结合位点预测的 2 个测试数据集, 首次由 (Krivák & Hoksza, 2018) 引入。

模型架构:EquiPocket 整体框架由三大模块构成

EquiPocket 的整体框架由 3 个模块组成, 如下图所示:

在这里插入图片描述

EquiPocket 整体框架示意图

第一个模块为局部几何建模模块 (Local Geometric Modeling),用于提取每个表面原子的局部几何信息;第二个模块为全局结构建模模块 (Global Structure Modeling),用于描述蛋白质的化学和空间结构;最后一个模块为表面信息传递模块 (Surface Message Passing),通过传递表面原子上的等变信息,进而捕获表面的几何形状。

局部几何建模模块

每个蛋白质原子的局部几何形状决定了其附近区域是否适合成为结合位点的一部分。

在这里插入图片描述

蛋白质原子的局部几何信息

如上图所示,研究人员利用每个蛋白质表面原子 (Surface Atom,上图绿色) 周围的表面探针 (Surface Probes,上图灰色) 来描述局部几何信息。具体来说,每个表面原子 i ∈ VS,其周围的表面探针由 S 的一个子集返回,即:

在这里插入图片描述

pj 表示最近的蛋白质原子

研究人员基于 Si 构建几何信息,将 Si 中所有 3D 坐标的中心/平均值 (Surface Cente,上图红色) 记为 xi¯。

全局结构建模模块
尽管结合位点主要由表面原子组成,但蛋白质的整体结构通常会影响配体的相互作用以及结合位点的形成,因此需要对其进行建模。

研究人员通过 2 个连接的过程来实现这一目标:化学图建模和空间图建模,由此形成的全局结构建模模块负责处理整个蛋白质的信息,包括原子类型、化学键、相关空间位置等。

表面信息传递模块

给定表面原子的局部几何特征以及全局编码特征,该模块将在表面图上进行等变信息传递,以更新蛋白质表面原子的全部特征。

研究结果:EquiPocket 相比基线模型性能提升 10-20%

在实验中,研究人员选择用以下基线模型与 EquiPocket 进行比较:

  • 基于几何的方法:Fpocket

  • 机器学习方法:P2rank

  • 基于 CNN 的方法:DeepSite, Kalasanty , DeepSurf, RecurPocket

  • 基于拓扑图的模型:GAT , GCN 和 GCN2

  • 基于空间图的模型:SchNet, EGNN

评估模型采用的指标包括 DCC (预测的结合位点中心与真实的结合位点中心之间的距离)、DCA (预测的结合位点中心与任何配体网格之间的最短距离) 和失败率 (没有任何预测的结合位点中心的采样率)。下表是在 COACH 420、HOLO4K 和 PDBbind 上进行结合位点预测的结果。

在这里插入图片描述

基线模型和 EquiPocket 框架的消融实验结果

如表中数据所示,基于几何的方法 Fpocket 的性能较差, 由于该方法仅使用蛋白质的几何特征,故失败率为 0;机器学习方法 P2rank 结合随机森林与蛋白质表面的几何信息,从而显著提升了性能。

在这里插入图片描述

以往基于 CNN 的方法与EquiPocket之间的示例对比

基于 CNN 的方法 (DeepSite, Kalasanty , DeepSurf, RecurPocket) 性能要远高于基于几何的方法, 其中 DCC 和 DCA 提升超过 50%,但需要大量的参数和计算资源。这其中,早期提出的方法 DeepSite 和 Kalasanty 受到蛋白质大小变化和处理大蛋白质能力不足的限制,可能导致预测失败。

对于图模型,拓扑图模型 (GCN、GAT、GCN2) 的性能较差, 主要是因为它们只考虑原子和化学键信息,忽略了蛋白质的空间结构;空间图模型 (SchNet, EGNN) 的性能通常优于拓扑图模型。EGNN 利用原子的性质以及它们的相对/绝对空间位置,效果更好;SchNet 仅基于原子的相对距离更新嵌入,但是空间图模型的性能比基于 CNN 和基于几何的方法差,因为前者无法获得足够的几何特征,也不能解决蛋白质大小变化的问题。

以上结果表明,蛋白质表面的几何信息和多层级结构信息对于结合位点预测至关重要。

此外,这也反映了当前 GNN 模型的局限性,即从蛋白质表面收集足够的几何信息很难或者所需的计算资源过大,难以应用于蛋白质等大分子系统。因此,EquiPocket 框架不仅能够从原子层面更新化学和空间信息,还能够有效地收集几何信息,而无需过多计算资源支持,其性能比先前的结果提高了 10-20%。

从小分子配体到生物大分子,AI 深度解读蛋白质结构

每个植物、动物和人类细胞内都有数十亿个分子机器,由蛋白质、核酸、糖类等分子组成,其中的任何一个部分都难以单独发挥作用——只有了解它们如何在数百万种组合中相互作用,才能更加深刻地理解生命。

今年 5 月,Google DeepMind 重磅发布了 AlphaFold3 模型,该模型能够对包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物进行联合结构预测。蛋白质与小分子配体的相互作用是药物作用机制的核心,AlphaFold3 通过其先进的深度学习算法,能够精确预测蛋白质与配体结合的三维结构,准确性远超现有的对接工具。

新药开发方面, 通过 AlphaFold3 预测的蛋白质-配体结构,研究人员可以更有效地筛选和设计新药候选物,加速药物发现流程;现有药物优化方面,该工具还可以用于优化现有药物,通过改进其与靶蛋白的结合模式来增强疗效或减少副作用。

除了小分子配体,蛋白质发挥生物学功能也需通过与 DNA、糖类等生物大分子的相互结合。 目前,数以千计的蛋白质结构复合物已通过实验方法存放在蛋白质数据库中,然而,传统实验方法耗时且昂贵,基于机器学习的预测方法则能让挑战迎刃而解。

今年 2 月,来自南京农业大学的研究团队在生物学领域重要期刊 Briefings in Bioinformatics 在线发表了题为「ULDNA: Integrating Unsupervised Multi-Source Language Models with LSTM-Attention Network for High-Accuracy Protein-DNA Binding Site Prediction」的研究论文。针对蛋白质-DNA 结合位点预测问题,开发了一种新的深度学习预测方法 ULDNA。
论文地址:

https://academic.oup.com/bib/article/25/2/bbae040/7606634

在这里插入图片描述

ULDNA 的核心思想是利用蛋白质大语言模型针对序列设计特征表示,再结合注意力机制的长短期记忆网络 (LSTM-Attention Network) 训练 DNA 结合位点预测模型。研究人员选取了 PDNA-128、PDNA-316、PDNA-335 等 7 个基准数据集 (蛋白质序列数目从 40 到 600 不等),对 ULDNA 进行了全面测试。实验结果表明,ULDNA 在所有数据集上均表现卓越,预测性能明显优于其他 9 种主流方法。

DNA 之外,糖在所有生物体的细胞表面普遍存在,它们与多种蛋白质家族如凝集素、抗体、酶和转运蛋白相互作用,调节免疫反应、细胞分化和神经发育等关键生物学过程。理解糖类与蛋白质的相互作用机制是开发糖类药物的基础。 然而,糖类结构的多样性和复杂性,尤其是它们与蛋白质结合位点的多变性,给实验数据的获取和药物设计带来了挑战。

就在近日,中国科学院团队开发了一种深度学习模型 DeepGlycanSite,能够准确预测给定蛋白质结构上的糖结合位点。DeepGlycanSite 将蛋白质的几何和进化特征融入基于 Transformer 架构的深度等变图神经网络中,其性能显著超越了之前的先进方法,并能有效预测各种糖类分子的结合位点。

结合诱变研究,DeepGlycanSite 揭示了重要 G 蛋白偶联受体的鸟苷-5’-二磷酸糖识别位点。这些发现表明 DeepGlycanSite 对于糖结合位点预测具有重要价值,并可以深入了解具有治疗重要性蛋白质的糖类调节背后的分子机制。

在这里插入图片描述

该研究以「Highly accurate carbohydrate-binding site prediction with DeepGlycanSite」为题,于 2024 年 6 月 17 日发布在 Nature Communications。
论文地址:

https://www.nature.com/articles/s41467-024-49516-2

总而言之,蛋白质是生命体中的重要分子,对细胞的结构和功能发挥着关键作用,研究蛋白质的结构对于理解生命过程、揭示疾病机制以及药物研发具有重要意义。如今,机器学习为科学家理解生命的奥妙打开了一扇新的大门。

参考资料:
1.https://openreview.net/forum?id=1vGN3CSxVs
2.https://mp.weixin.qq.com/s/aGzcr0ncQA-jBy-vTGC35Q
3.https://www.jiqizhixin.com/articles/2024-05-09
4.https://news.njau.edu.cn/2024/0

CoppeiaSim(VREP)入门 vrep/CoppeliaSim关节抖动问题原因总结【Coppeliasim|轨迹规划(一)】设置机械臂的关节角时保证机械臂不散架设置机械臂的关节角时保证机械臂不散架。 阅读详情

相关推荐

LTE信令流程实战:从Attach到Service Request的完整解析(附常见问题排查)

本文深入解析LTE信令流程中的Attach和Service Request关键环节,提供从基础原理到实战排查的完整指南。涵盖鉴权、承载建立等核心步骤,分析常见故障模式及优化方案,并附赠信令跟踪工具使用技巧,助力通信工程师提升网络运维效率。

alpha的博客 321

PDBbind Database (version 2020)

PDBbind提供了23496个生物分子复合物的结合亲和力数据,包括蛋白质-配体(19443)、蛋白质-蛋白质(2852)、蛋白质-核酸(1052)、核酸-配体复合物(149)。

2201_75349501的博客 5763

ANSYS Maxwell:创建即用型 3D 轴向磁通电机模型

Magnet Length” 是磁体的径向长度。“Magnet Thickness” 是磁体的轴向长度。为了对 AFM 进行更详细的分析,用户需要在 ANSYS Maxwell 中运行 3D FEA 分析。对于 2D 模型,它们类似于 MotorCAD 中的模型,后者对等效的直线电机进行建模。单击“确定”后,将创建一个 3D Maxwell 模型。“长度”是转子铁的轴向长度。然后需要定义定子的“磁芯”尺寸和材料。“长度”是定子铁芯的轴向长度。“转子”# 的极数必须与“定子”中定义的磁极相同。

jkh920184196的博客 1159

入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%...

本文约3800字,建议阅读5分钟 中国人民大学高瓴人工智能学院的研究团队首次将 E(3) 等变图神经网络 (GNN) 应用于配体结合位点预测,提出名为 EquiPocket 的框架,有助于药物发现等各种下游任务。生命系统中,几乎所有生物和药理过程都涉及受体(靶蛋白)和配体(小分子)之间的相互作用,这些相互作用发生在靶蛋白结构的特定区域,称为「结合位点」——预测靶蛋白的结合位点在药物发现等各种下游任...

数据派THU 600

Laravel 结合 jwt-auth 实现无状态 API 认证(实战解析)

本文详细解析了如何在Laravel框架中结合jwt-auth实现无状态API认证,包括JWT的优势、环境搭建、Token签发与刷新、API路由保护等实战内容。通过具体代码示例和优化技巧,帮助开发者高效解决跨域认证问题,提升系统安全性。

weixin_29315569的博客 212

halcon3D 点云拟合球体

halon3D 点云拟合球面

weixin_43213429的博客 1641

【学习笔记】山东大学生物信息学-04 蛋白质结构预测与分析

蛋白质结构预测与分析

abdslfwoeugp 5774

基于Open Cluster Management构建企业级多Kubernetes集群管理平台OpenClaw

在云原生架构中,Kubernetes已成为容器编排的事实标准。随着业务规模扩大,企业往往需要管理分布在多个云环境或数据中心的Kubernetes集群,这带来了集群管理、应用分发、策略统一和监控运维等复杂挑战。多集群管理技术通过提供统一控制平面,实现了对分布式资源的集中管控,其核心价值在于提升运维效率、保障安全合规并降低管理成本。Open Cluster Management(OCM)作为CNCF沙箱项目,采用Kubernetes原生架构,通过自定义资源定义(CRD)和控制器模式,为构建多集群管理平台提供了标

weixin_33747129的博客 369

新改进!LSTM与注意力机制结合,性能一整个拿捏住

众所周知,并不能很好地处理长序列和重要信息的突出,这导致在某些情况下性能不佳。而模拟人类视觉注意力机制的特点可以很好地解决这个问题。说具体点就是,注意力机制通过权重分布来决定应该关注输入序列中的哪些部分,它允许模型在生成输出时动态调整其关注的焦点,以便更好地捕捉输入序列中的关键信息。如此一来,通过结合LSTM的长期依赖捕捉能力和注意力机制的动态关注焦点调整能力,我们的模型就可以更有效地处理各种复杂的序列处理任务,被应用到更多的领域。为方便各位深入理解这一策略,我分享了。

学姐带你玩AI的博客 2218

QGIS基于快鸟(QuickBird)影像统计小麦种植面积

​01数据情况 本次选用某地4月份快鸟(QuickBird)影像为例,使用QGIS演示提取小麦播种情况,并按照200米*200米分区计算种植面积的过程。 注:本文对应的操作视频作为今天第二篇推送同时发布,习惯看视频的朋友可以点击观看。 附数据压缩包: 链接:https://pan.baidu.com/s/1JVUS8uAOR61RxC1n9Or9_w 提取码:qgis 含快鸟影像QB_subset.tif和200*200米分区矢量图层200Mgrid.shp。 ...

QGISClass的博客 1981

RoCEv2 (RDMA over Converged Ethernet) 技术详细介绍

本文深入解析RDMA over Converged Ethernet (RoCEv2)技术,该技术是AI时代算力网络的核心。文章从四个维度展开:首先阐述RDMA如何通过零拷贝和内核旁路解决传统网络的数据搬运瓶颈;接着拆解RoCEv2协议栈,对比其与InfiniBand和iWARP的特性差异;然后分析其在分布式AI训练、高性能存储等场景的关键价值;最后提供实战指南,强调无损网络配置、流量隔离和精细监控的重要性。RoCEv2虽能带来微秒级延迟和极低CPU开销,但需精心设计网络环境才能发挥最大效能。

技术引领业务创新 1393

DeepSurf: A surface-based deep learning approach for theprediction of ligand binding sites on prote

论文解读:DeepSurf:一种基于表面的深度学习方法预测蛋白质上的配体结合位点 期刊:Bioinformatics 中科院分区;Q1 影像因子:6.937 发表日期:2021.6.20 代码与数据集:GitHub - stemylonas/DeepSurf: A surface-based deep learning approach for the prediction of ligand binding sites on proteins 一、摘要 背景:了解蛋白质上潜在的可药物结合部位

qq_41909775的博客 1234

YOLOv11改进,YOLOv11添加ASFF检测头,并添加小目标检测层(四头检测),适合目标检测、分割等任务,全网首发

YOLOv11改进,YOLOv11添加ASFF检测头,并添加小目标检测层(四头检测),适合目标检测、分割等任务,全网首发

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 4736

scp 传目录_linux命令大全之scp命令详解(复制文件和目录)

scp是secure copy的简写,用于在Linux下进行远程拷贝文件的命令,和它类似的命令有cp,不过cp只是在本机进行拷贝不能跨服务器,而且scp传输是加密的。可能会稍微影响一下速度。当你服务器硬盘变为只读 read only system时,用scp可以帮你把文件移出来。另外,scp还非常不占资源,不会提高多少系统负荷,在这一点上,rsync就远远不及它了。虽然 rsync比scp会快一点...

weixin_39989875的博客 4247

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。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Linux下scp的用法

Linux下scp的用法scp就是secure copy,一个在linux下用来进行远程拷贝文件的命令。有时我们需要获得远程服务器上的某个文件,该服务器既没有配置ftp服务器,也没有做共享,无法通过常规途径获得文件时,只需要通过简单的scp命令便可达到目的。一、将本机文件复制到远程服务器上#scp /home/administrator/news.txt root@192.1...

weixin_33894640的博客 6350

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

scp详解

先说下常用的情况:两台机器IP分别为:A.104.238.161.75,B.43.224.34.73。在A服务器上操作,将B服务器上/home/lk/目录下所有的文件全部复制到本地的/root目录下,命令为:scp -r root@43.224.34.73:/home/lk /root。具体过程为:[root@XX ~]# scp -r root@43.224.34.73:/home/lk /ro...

LZJWXJ树袋熊 1万+

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。

scp: /tmp/slow_queries_3306.log.1128_0000: Permission denied

[nov@ctl cacti]$ scp db01:/tmp/slow_queries_3306.log.1128_0000 ./scp: /tmp/slow_queries_3306.log.1128_0000: Permission denied[nov@ctl cacti]$ [nov@ctl cacti]$ [nov@ctl cacti]$ scp db01:/tmp/slow_que...

系统 运维 192

关于深度学习在生物学领域的应用分析

深度学习 生物 医药 应用

xunan003的博客 2万+

机器学习 | 抗2019-nCoV药物的机器智能设计

美国密歇根州立大学的研究人员发现2019-nCoV和SARS-CoV的蛋白酶抑制剂结合位点几乎相同,这意味着所有潜在的抗SARS-CoV化学疗法也是潜在的2019-nCoV药物。研究人员报告了一类由机器智能生成网络复合体(GNC)产生的潜在2019-nCoV药物家族。还分析了一些现有的HIV药物治疗2019-nCoV的潜在有效性。 本文将对“Machine intelligence design ...

vic_torsun的博客 1319

NPU(神经网络处理单元)详细解析

NPU(Neural Processing Unit,神经网络处理单元)是一种专门为加速神经网络计算(尤其是深度学习推理)而设计的专用处理器(ASIC/DSP 类)。它也常被称作神经引擎(Neural Engine)、AI 加速器、APU(AI Processing Unit)等。处理器擅长不擅长CPU通用逻辑控制、串行任务、操作系统调度大规模并行矩阵运算,能效比低GPU图形渲染、大规模并行浮点计算功耗高(几十到几百瓦),不适合电池设备NPU神经网络核心算子(矩阵乘、卷积、激活)

zhaoshuzhaoshu的专栏 272

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 287

神经网络与深度学习笔记_Day6

神经网络与深度学习笔记_Day6,包含 ANN案例、CNN概述、卷积层 与 池化层。 写于2026/02/12。

ZZHow Blog 355

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)将在中国·合肥举行,会议围绕神经网络、智能信息处理与数据科学等研究方向展开学术交流,关注人工智能算法、数据分析技术以及智能信息系统的发展。

Yangxshy的博客 214

第 06/24 期:神经网络的反向传播算法:从链式法则到梯度计算

本文系统阐述了神经网络中反向传播的数学原理:前向计算为函数复合,而参数梯度需通过链式法则逆向传递。核心是定义误差项 $\delta^{(l)} = \nabla_{z^{(l)}}\mathcal{L}$,从输出层开始递推,利用权重转置与激活导数实现高效梯度传播。权重梯度由误差项与输入的外积构成,偏置梯度即误差项本身。通过两层网络实例验证了公式正确性,强调维度一致性的重要性,并揭示了激活函数导数在梯度传播中的关键作用,为理解深层网络训练机制提供理论基础。

weixin_47502228的博客 677

第 02/24 期:从线性模型到多层感知机:神经网络的表示能力

本文探讨了线性模型的表达局限,指出其函数族仅能表示超平面边界,无法解决非线性可分问题(如XOR)。通过多层感知机引入非线性激活函数(如ReLU、tanh),网络可构建分段线性或光滑非线性函数,显著提升表示能力。实验表明,单隐藏层MLP在拟合复杂目标函数时优于仿射模型。但需区分表示能力、优化可达性与泛化性能三者:即使模型理论上可逼近任意函数,实际训练仍受初始化、优化路径和样本限制。

weixin_47502228的博客 374

神经网络与深度学习笔记_Day5

神经网络与深度学习笔记_Day5,包含 梯度下降优化方法、学习率衰减策略、正则化 与 ANN案例。 写于2026/02/07。

ZZHow Blog 334
上一篇: 不是取代,而是共生!气象科学的未来需要AI与数值预报的有机结合
下一篇: 斯坦福/苹果等23所机构发布DCLM基准测试,高质量数据集能否撼动Scaling Laws?基础模型与Llama3 8B表现相当
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