入选ICML!麻省理工团队基于AlphaFold实现新突破,揭示蛋白质动态多样性

「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

作为生物体的重要组成部分,蛋白质具有不同状态,基于集体运动或无序波动的不同结构组合,采用复杂的三维结构,来执行丰富的生物功能,例如,蛋白质构象变化对转运体、通道和酶的功能至关重要,而平衡组合的特性有助于控制分子相互作用的强度和选择性。

近年来,AlphaFold 等深度学习方法在蛋白质的单态建模上取得了巨大成功,却无法解释构象异质性。所以,对于结构生物学家而言,如何在保障单一结构准确预测的同时,又能揭示潜在结构组合, 是一项亟待突破的难题。

近期,来自麻省理工学院的研究团队结合了 AlphaFold 和 ESMFold 的新型采样方法,通过流匹配 (Flow matching) 技术,提供了一种全新的视角来观察和理解蛋白质的构象空间。

该研究在两个不同的场景中展示了流匹配变体 AlphaFlow 和 ESMFlow 的性能, 模型最终在 PDB 上微调,并在 ATLAS 数据集上进一步训练,均显示出了卓越性能,不仅在预测构象柔韧性和原子位置分布建模方面,超越了传统的 MSA 基线,而且在复制高阶群观测方面也取得了显著的进步。

相关研究以「AlphaFold Meets Flow Matching for Generating Protein Ensembles」为题,已入选 AI 领域顶级学术会议 ICML 2024。

在这里插入图片描述

论文地址:

https://openreview.net/forum?id=rs8Sh2UASt

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:基于 PDB 与 ATLAS 两大数据集,保证实验结果的公允性

众所周知,AlphaFold 是在 PDB 中的结构基础上,以端到端的方式开发和训练的,而 ESMFold 使用了来自蛋白质语言模型 (PLM) 的嵌入作为输入。因此,该研究主要采用的是 PDB 数据集和 MD 数据集。

首先,为了从 PDB 中构建结构异质性的蛋白质测试集,该研究使用 SIFTS 注释数据库,及其从 PDB 链到 UniProt 参考序列的残基级映射,将每个已沉积的链与一个片段相关联。随后,该研究基于 0.75 的 Jaccard 相似性阈值完全连接聚类的所有片段,将每个得到的聚类视为一个独特的蛋白质,从而产生了 75,000 个蛋白质。

此外,该研究还收集了:

  • AlphaFold 训练截止日期前没有提交链条 (chains),但在截止日期后沉积得到 2-30 条链条的蛋白质;

  • 长度在 256–768 个残基之间的蛋白质;

  • 当链聚集的阈值为 0.85 对称 lDDT-Cα 和完全连接时,至少有 2 个结构聚类的蛋白质。

最终得到了由 2,843 条链表示的 563 个蛋白质,研究人员抽取了由 500 条链表示的 100 个蛋白质形成测试集。

其次,研究人员基于 MD 数据集构建了 ATLAS 数据集,后者由基于 ECOD 域分类法选择的 1,390 个蛋白质组成。 对于每种蛋白质,数据集提供了长度为 100ns 的 3 次重复模拟,每次模拟包含 10,000 个帧。为了在这些轨迹上进行训练和验证,该研究首先使用提供的序列和 ColabFold MMSeqs2 管道为所有 1,390 个 ATLAS 条目生成 MSA。

随后,研究人员从训练管道中随机抽取 300 个构象,分别将 2018 年 5 月 1 日和 2019 年 5 月 1 日作为训练和验证截止日期,最终获得了 1265/39/82 个集合的训练集、验证集和测试集。

在这里插入图片描述

PDB 测试集和 ATLAS 测试集序列的长度直方图

模型构建:将 AlphaFold 作为去噪模型,对蛋白质集合进行流匹配

考虑到重新开发与 AlphaFold 具有同等精度和泛化能力的分布模型,具有相当大的挑战,该研究利用生成模型的最新概念进展,将 AlphaFold 作为生成模型几乎直接复用。

在这里插入图片描述

作为去噪模型的 AlphaFold

截至目前,从文本到图像的典型扩散模型架构中,几乎都采用的是对以文本提示 s 为条件的图像 x 的条件分布 p(x | s) 进行建模。这些模型的核心是一个去噪神经网络,它通过接收有噪声的图像以及文本提示,从而预测生成干净的图像。

基于这些条件,此类模型通常采用简单的均方误差 (MSE) 目标进行训练。类似地,一个通过类似回归的损失函数(如 AlphaFold 或 ESMFold)训练的蛋白质结构预测器,只需提供额外的嘈杂结构输入,即可转换为去噪模型。通过这些架构调整,该研究可将 AlphaFold 和 ESMFold 进一步插入到任何基于迭代去噪的生成建模框架中。

该研究认为,流匹配生成框架的设计相当于选择了一个条件概率路径 pt(x | x1)及其对应的向量场 ut(x | x1)。因此,该研究通过从 q(x0) 中采样噪声 x0,并与数据点 x1 进行线性插值来定义条件概率路径,进而定义了一个重参数化的神经网络 x1(x, t; θ) ,从而将 AlphaFold 架构用作去噪模型。

为了将流匹配应用于蛋白质结构,该研究还通过其 β-carbons 的 3D 坐标 (α-carbon for glycine) 来描述结构:x ∈ R^N×3。这也确保了神经网络的输入始终是聚合物般的、物理上合理的三维结构。

由于流匹配框架涉及定义 (difining) 和反转 (reversing) 噪声过程,因此它与蛋白质结构的谐波扩散具有许多相似之处,两者都收敛于相同的先验分布。然而,作为一个更通用的框架,流匹配提供了 2 个主要优势:

首先, 谐波扩散仅在无限时间限制下收敛到先验分布,且收敛速度取决于数据维度,即蛋白质大小。这导致在仅对相对较小尺寸的裁剪进行训练时,会出现推理时分布偏移。

其次, 流匹配提供了一种简单的方法来处理 PDB 中非常常见的缺失残基,只需省略即可。相比之下,谐波扩散会在原子位置之间产生依赖关系,因此需要对缺失的残基进行数据插补。

在这里插入图片描述

AlphaFLOW / ESMFLOW 概述

最终,该研究基于流程匹配框架在 PDB 上微调了 AlphaFold 和 ESMFold 的所有权重,所使用 AlphaFold 和 ESMFold 的训练截止日期分别为 2018 年 5 月 1 日和 2020 年 5 月 1 日。在这个阶段的训练结束时,该研究得到了 AlphaFold 和 ESMFold 的流匹配变体,并称之为 AlphaFLOW 和 ESMFLOW。

为了评估从 MD 集合中进行学习的能力,该研究进一步在包含全原子 MD 模拟的 ATLAS 数据集上对 2 个模型进行了微调。在分别进行了 4.3 万个和 2.7 万个额外的示例训练后,该研究获得了 MD 专用的模型变体——AlphaFLOW-MD 和 ESMFLOW-MD。

实验结果:性能超越传统,在结构生物学领域具有广泛应用前景

研究人员首先评估了 AlphaFLOW 和 ESMFLOW 在 PDB 中沉积的蛋白质多样构象的能力。

为此,该研究构建了一个测试集,其中包含 100 个在 AlphaFold 训练截止日期(2018 年 5 月 1 日)后沉积的、具有多条链和构象异质性证据的蛋白质,分别针对于精度、召回率、多样性 3 大指标进行了评估。

在这里插入图片描述

对所有基准方法的 PDB 曲线的评估

结果表示,AlphaFLOW 与 MSA 的二次采样 (subsampling) 类似,都以牺牲精度为代价增加了预测的多样性,但相对于 MSA 的二次采样,AlphaFLOW 的变体追踪到了显著更优的 Pareto 前沿。

在精度和召回率方面,AlphaFLOW 表现出了与 MSA 二次采样非常相似的行为。 令人有些惊讶的是,这两种方法都不能显著提高相对于基准 AlphaFold 的总体召回率。

总体而言,与 AlphaFold 系列方法相比,ESMFold 和 ESMFLOW 的精度相对更低。然而,ESMFLOW 能够相对于基线 ESMFold 注入大量多样性,并在几乎不牺牲精度的情况下提高召回率。

另外,该研究的 RMWD 分析表明,AlphaFlow 在预测原子平均位置方面略优于 AlphaFold,并且在建模方差方面明显优于 MSA 二次采样。

在这里插入图片描述

MD 评估的可视化结果

该研究还进一步评估了 AlphaFLOW 和 ESMFLOW,为 ATLAS 数据库中的 82 个蛋白质测试集生成代理 MD 集合的能力。该研究使用每种方法分别采样,并通过一系列评估来检查采样样本与 MD 群体的相似性。

结果表明,AlphaFLOW-MD 在相似性方面得到了显著改善,远远超过了 MSA 二次采样的性能。

在这里插入图片描述

AlphaFLOW 的 MD 复制模拟效率

由于 MD 被视为真实值,但运行到收敛状态很昂贵。因此,该研究进一步分析了在等效的有限计算预算下,例如以 GPU 小时为单位,AlphaFLOW 是否能提供更好的结果。为此,该研究减少了从 AlphaFLOW 中抽取的样本数量(从 250 个大幅减少到了 4 个),并且缩短了 MD 轨迹的长度(从 100ns 调整为 160ps)。

结果表明,AlphaFLOW 集合的质量仍然保持不变,但 MD 轨迹需要更长的时间才能达到或超过相同的质量水平。

蛋白质通用预训练模型三足鼎立,结构生物学领域充满活力

在过去几年,蛋白质与 AI 不断碰撞出全新火花,目前蛋白质的通用预训练已经形成三足鼎立的新局面, 即 DeepMind Alphafold 系列、David Baker 的 RoseTTAFold 系列,以及 Meta ESM 系列。基于这三大模型,相关的科研成果已经开始井喷。仅在 2024 年上半年,就有多篇研究成果登上 Nature、Science 等顶级期刊。

在 2024 年 3 月,来自北卡罗来纳大学医学院、加州大学旧金山分校、斯坦福大学和哈佛大学的研究人员在 Science 上发表了一项研究证实,AlphaFold2 预测结构可以指导未来的药物发现。 研究小组发现,AlphaFold2 在结构生物学、蛋白质设计、相互作用、靶标预测、功能预测和生物机制等方面表现出显著的实用性,能够通过筛选数十亿种化合物并通过将文库与蛋白质结构进行匹配来寻找潜在的新药。

2024 年 5 月,Google DeepMind 团队在 Nature 上重磅发布 AlphaFold 3 ,将技术扩展到蛋白质折叠之外,能以前所未有的精度准确预测蛋白质、DNA、RNA、配体等生命分子的结构及相互作用。这意味着,AlphaFold 3 将进一步加速药物设计和基因组研究, 开启人工智能细胞生物学的新时代。

借由 AlphaFold 3 的发布,Alphafold 系列也终于构建起全原子的基座。 与之相似,RoseTTAFold 系列也在今年上半年成功发布 RoseTTAFold All-Atom,实现了对于蛋白质共价修饰以及多个核酸链和小分子组装进行合理预测的能力。

在 Alphafold3 与 RoseTTAFold All-Atom 的帮助下,研究人员正在充分发挥想象能力。例如,2024 年 6 月,一个国际研究团队在 Nature Biotechnology 上发表了一篇论文,展示了如何利用 AlphaFold 3 和 RoseTTAFold All-Atom 结合的策略,成功设计出一种新型的蛋白质支架,这种支架可以更有效地将药物直接输送到病变细胞,从而提高治疗效果并减少副作用。这一发现标志着 AI 在精准医疗领域的应用迈出了坚实的一步。

遗憾的是,2023 年 8 月,Meta 解散 ESMFold 团队,转而全力推动 AI 商业化。但针对于 ESM 系列的研究并没有停止脚步。例如, 该模型在蛋白质语言建模领域取得了重要进展,提供了一套整合多尺度信息的统一建模方案。值得注意的是,它是首个能同时处理氨基酸信息和原子信息的蛋白质预训练语言模型。

由此可见,在 Alphafold 系列、RoseTTAFold 系列、ESM 系列并驾齐驱的新时代, AI 与蛋白质研究的结合将更加紧密,不仅加速了我们对蛋白质结构和功能的认知,也为疾病治疗、药物开发和生物技术应用带来了革命性的变革。在 AI 技术带来的跨越式发展下,结构生物学领域正在变得更加充满活力,一个属于生物医药领域的新篇章正在徐徐展开。

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

工业质检实战:用海康VisionMaster的BLOB分析搞定PCB焊点缺陷检测

本文详细介绍了如何利用海康VisionMaster平台的BLOB分析技术,构建一套针对PCB焊点缺陷的自动化视觉检测方案。文章从核心原理出发,重点阐述了如何通过动态阈值分割和模板匹配定位,克服工业现场光照不均、位置偏移等挑战,实现虚焊、漏焊等缺陷的精准、稳定检测,并提供了实战调优与系统集成的关键思路。

weixin_29091105的博客 569

抓住「AI+生物医药」黄金时期,盘点2024年最值得关注的颠覆性成果

此外,AI 还可优化细胞分化过程、推动细胞大模型的研发…:美国俄亥俄州立大学、微软研究院、加州大学欧文分校、伦斯勒理工学院等发布了迄今最大、最具多样性的适用于机器学习的生物学图像数据集 TreeOfLife-10M,并开发了生命之树的基础模型 BioCLIP,该模型充分利用 TreeOfLife-10M 中植物、动物和真菌的多样化生物图像,在多种细粒度生物学分类任务中,其表现显著优于现有方法。它可以根据化学分子的结构,对该分子的气味进行描述,在 53% 的化学分子、55% 的气味描述词判断中优于人类。

HyperAI超神经 1552

Qwen-Image-2.1本地图像生成整合包:8G显存一键部署指南

文生图模型是AI视觉创作的核心技术,其本地化部署需兼顾模型能力、硬件适配与工程易用性。Qwen-Image-2.1作为支持文本生成、图像编辑与多图参考的统一架构模型,突破了传统Diffusion模型在消费级显卡上的运行瓶颈。通过AWQ量化、vLLM推理优化与ComfyUI节点重构,实现8G显存稳定运行,显著降低CUDA环境配置复杂度。该方案面向设计师、教师与普通用户,提供开箱即用的本地AI图像工作流,适用于电商主图迭代、教学配图生成与IP角色延展等真实场景,让高质量图像生成真正走出云端,落地桌面。

weixin_29082143的博客 402

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

强化学习之课程学习法

课程学习是一种有计划的学习方法,模拟人类学习的过程。它通过设置逐步增加难度的任务序列,让学习系统从简单的任务开始,逐渐过渡到复杂任务。这一方法可以显著提高训练效率,避免智能体一开始就面临过于复杂的任务,从而导致学习过程困难。逐步难度增加:从简单的任务开始,逐步增加任务的难度,直到智能体能够解决最复杂的任务。动态调整:根据智能体的学习进展,动态调整任务的难度,保证学习的过程始终处于一个适当的挑战性范围。

m0_64087341的博客 2697

Unity3D Pico VR 手势交互实战:基于MRTK3实现抓握与射线控制

本文针对Pico VR原生手势交互功能不足的问题,提供了基于MRTK3实现高级手势交互的实战解决方案。通过将MRTK3成熟的交互框架与Pico的手势追踪能力相结合,详细讲解了从环境配置、SDK导入、核心适配到真机调试的全流程,帮助开发者高效实现抓握与射线控制等复杂交互,有效提升Pico VR应用的开发效率与体验。

weixin_29011667的博客 392

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

<PLC><汇川>汇川PLC基于EtherCat协议使用转矩模式控制SV630N伺服驱动电机

本系列是关于PLC相关的博文,包括PLC编程、PLC与上位机通讯、PLC与下位驱动、仪器仪表等通讯、PLC指令解析等相关内容。PLC品牌包括但不限于西门子、三菱等国外品牌,汇川、信捷等国内品牌。除了PLC为主要内容外,PLC相关元器件如触摸屏(HMI)、交换机等工控产品,如果有值得记录的内容,也会添加进来。

用沸腾的热血,支付我们的人生吧! 4167

【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

YOLO11实战优化:长尾分布解决 | 引入Seesaw Loss配合YOLO11分类头,完美应对类别极其不平衡的现实业务场景

摘要: YOLO11在工业缺陷检测等长尾分布场景中面临尾部类别检测失效的问题,根源在于头部类别样本的负样本梯度压制了尾部类别的学习。传统方法如重采样、Focal Loss等效果有限。Seesaw Loss通过动态调整缓解因子和补偿因子,平衡类别间的梯度分布,结合YOLO11的解耦分类头、Anchor-Free设计和C2PSA/C3K2模块,显著提升尾部类别识别能力。文章详细解析了Seesaw Loss的数学原理,并提供了可直接集成到YOLO11的PyTorch实现代码,为长尾分布下的目标检测提供了实用解决方

2601_95807009的博客 256

【以太网硬件十九】SGMII到底能不能直接出光模块?

详细解释为什么SGMII可以直接出光模块及其使用限制

highman110的博客 1万+

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

Android系统修改驱动固定USB摄像头节点绑定前后置摄像头

Android系统中usb摄像头节点会因为摄像头所接的usb口不同或者usb设备识别顺序不一样而出现每次开机生成的video节点不一样的问题。由于客户app调用摄像头时,需要固定摄像头的节点。因此需要针对前面的情况做处理。

Android系统开发笔记 2252

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

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

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

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: 差1分夺金!DeepMind组合AI系统19秒解IMO几何题;耀速科技完成亿元级天使+轮融资,持续推动AI+类器官芯片...
下一篇: 全新生物学基准数据集LAB-Bench震撼开源!覆盖8大任务,超2.4K选择题
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