<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[进阶的码农小白]]></title><description><![CDATA[见证我一路的成长]]></description><link>https://blog.youkuaiyun.com/chenchen1127</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; chenchen1127]]></copyright><item><title><![CDATA[Java概述之Java虚拟机机制及垃圾收集GC]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/108317359</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/108317359</guid><author>chenchen1127</author><pubDate>Mon, 31 Aug 2020 11:21:28 +0800</pubDate><description><![CDATA[Java概述之Java虚拟机机制及垃圾收集GC
Java概述一、Java虚拟机（JVM）及跨平台特性二、 垃圾收集GC（garbage collection）对比: C语言的malloc free和C语言的new机制
一、Java虚拟机（JVM）及跨平台特性

JVM（Java Virtual Machine）Java虚拟机
在真实机器中用软件模拟实现的一种想象机器
Java虚拟机代码被存储在.class文件中
可以实现“一次编译，到处运行”的跨平台特性
虚拟机本身不跨平台

简单理解：
一个例子：一个领导]]></description><category></category></item><item><title><![CDATA[生物信息学入门之基本概念之蛋白质同源检测和折叠识别]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79159127</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79159127</guid><author>chenchen1127</author><pubDate>Thu, 18 Jun 2020 18:10:13 +0800</pubDate><description><![CDATA[前言

蛋白质同源性检测和折叠识别是近些年来生物信息学中的热点问题。通过蛋白质远同源性检测和折叠识别，能够初步推断未知蛋白质的结构和功能。其中，SCOP数据库[1]按照层级结构将蛋白质进行分类，从上到下依次是：类(class)，折叠(fold)，超家族(superfamily)和家(family)（如图1-1所示）。蛋白质远同源性检测的任务就是找出未知蛋白质所属的超家族。折叠识别的任务就是找...]]></description><category></category></item><item><title><![CDATA[CNN调优总结]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/80241947</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/80241947</guid><author>chenchen1127</author><pubDate>Tue, 08 May 2018 16:38:06 +0800</pubDate><description><![CDATA[转自：https://nmarkou.blogspot.com.cy/2017/02/the-black-magic-of-deep-learning-tips.html记得要 shuffle。不要让你的网络通过完全相同的 minibatch，如果框架允许，在每个 epoch 都 shuffle 一次。扩展数据集。DNN 需要大量的数据，而且模型在小的数据集上很容易过拟合。我强烈建议你要扩展原始的...]]></description><category></category></item><item><title><![CDATA[科研小白之SCI论文、EI论文和IEEE论文有什么区别？国内分区与SCI等的联系]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79907850</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79907850</guid><author>chenchen1127</author><pubDate>Thu, 12 Apr 2018 09:36:22 +0800</pubDate><description><![CDATA[总结(干货)

SCI(Science Citation Index), 被Web of Science(http://apps.webofknowledge.com)收录的论文称为SCI论文；
	EI(Engineering Index), 被EI数据库收录的论文称为EI论文。目前EI数据库有三个版本：EiCompendex光盘数据库， EiCompendex web数据库， Engineeri...]]></description><category></category></item><item><title><![CDATA[二分类问题评价指标]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79744010</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79744010</guid><author>chenchen1127</author><pubDate>Thu, 29 Mar 2018 16:03:19 +0800</pubDate><description><![CDATA[1. 分类情况：针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.(1)若一个实例是正类并且被预测为正类，即为真阳性(True Postive TP)(2)若一个实例是正类，但是被预测成为负类，即为伪阴性(False Negative FN)(3)若一个实例是负类，但是被预测成为正类，即为伪阳性(False Postive FP)(...]]></description><category></category></item><item><title><![CDATA[动态编程之序列比对：Needleman-Wunsch 算法和Smith-Waterman算法]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79743498</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79743498</guid><author>chenchen1127</author><pubDate>Thu, 29 Mar 2018 15:37:39 +0800</pubDate><description><![CDATA[1. 加分规则S（a,b) = 10 (a=b）S（a,b) = -3（a!=b）S（a,b) = -5（a='_' or b='_')通常DNA和RNA，Protein都有打分矩阵，Protein常用打分矩阵BLOSUM622. 动态规划算法：全局比对算法Needleman-Wunsch思路：从第一个到最后一个，一个个比，一条序列比个遍，然后得出最优解example：局部比对Smith-Wate...]]></description><category></category></item><item><title><![CDATA[Tensorflow一些常用基本概念与函数]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79599599</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79599599</guid><author>chenchen1127</author><pubDate>Sun, 18 Mar 2018 12:35:12 +0800</pubDate><description><![CDATA[感谢原博主原博客链接：http://blog.youkuaiyun.com/lenbow/article/details/521527661、tensorflow的基本运作为了快速的熟悉TensorFlow编程，下面从一段简单的代码开始：import tensorflow as tf
 #定义‘符号’变量，也称为占位符
 a = tf.placeholder(&quot;float&quot;)
 b = tf.placehol...]]></description><category></category></item><item><title><![CDATA[Tensorflow---基本语法]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79554939</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79554939</guid><author>chenchen1127</author><pubDate>Wed, 14 Mar 2018 15:07:21 +0800</pubDate><description><![CDATA[1.tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是...]]></description><category></category></item><item><title><![CDATA[深度学习常用激活函数之— Sigmoid &amp; ReLU &amp; Softmax]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79543601</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79543601</guid><author>chenchen1127</author><pubDate>Tue, 13 Mar 2018 17:32:01 +0800</pubDate><description><![CDATA[1. 激活函数Rectified Linear Unit(ReLU) - 用于隐层神经元输出Sigmoid - 用于隐层神经元输出Softmax - 用于多分类神经网络输出Linear - 用于回归神经网络输出（或二分类问题）    ReLU函数计算如下：                               Sigmoid函数计算如下：                           ...]]></description><category></category></item><item><title><![CDATA[生物信息领域常用软件工具及数据库]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79391567</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79391567</guid><author>chenchen1127</author><pubDate>Fri, 02 Mar 2018 11:36:29 +0800</pubDate><description><![CDATA[常用工具

1. PSi-blast

Psi-balst是一种更加高灵敏的Blastp程序，对于发现远亲物种的相似蛋白或某个蛋白家族的新成员非常有效.多用于生成蛋白质的多序列比对(MSA)和PSSM(特异性位置打分矩阵)。相关指令和生成PSSM文件的代码参考：

2.Clustal

Clustal可以用来发现特征序列，进行蛋白分类，证明序列间的同源性，帮助预测新序列二级结构与三级结构，确定PC...]]></description><category></category></item><item><title><![CDATA[Python---边用边学]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79421487</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79421487</guid><author>chenchen1127</author><pubDate>Fri, 02 Mar 2018 11:35:15 +0800</pubDate><description><![CDATA[1.with语句：类似　　try :　　except:　　finally:的功能：但是with语句更简洁。而且更安全。代码量更少。with后面为一个表达式，表达式返回的是一个上下文管理器对象，我的理解就是表达式的返回结果。使用as 可以将这个结果赋值给某个变量。方便之后操作。2.zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。如果各个迭...]]></description><category></category></item><item><title><![CDATA[keras安装配置遇到的坑]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79414784</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79414784</guid><author>chenchen1127</author><pubDate>Thu, 01 Mar 2018 16:54:57 +0800</pubDate><description><![CDATA[keras安装配置详细步骤见官网：http://keras-cn.readthedocs.io/en/latest/for_beginners/keras_windows/

不再赘述。

第一坑：Windows7+Anaconda3+theano+Keras

最近在学深度学习框架，要用到keras库，keras可以搭建在tensorflow和theano上，我电脑装的是Windows7，因此决...]]></description><category></category></item><item><title><![CDATA[深度学习十大框架比较]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79389985</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79389985</guid><author>chenchen1127</author><pubDate>Tue, 27 Feb 2018 16:26:51 +0800</pubDate><description><![CDATA[ 1 TensorFlow　　对于那些听说过深度学习但还没有太过专门深入的人来说，TensorFlow 是他们最喜欢的深度学习框架，但在这里我要澄清一些事实。 在 TensorFlow 的官网上，它被定义为「一个用于机器智能的开源软件库」，但我觉得应该这么定义：TensorFlow 是一个使用数据流图(data flow graphs)进行数值计算的开源软件库。在这里，他们没有将 TensorFl...]]></description><category></category></item><item><title><![CDATA[DNA特征提取之序列组装K-mer算法]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79137879</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79137879</guid><author>chenchen1127</author><pubDate>Tue, 23 Jan 2018 11:44:16 +0800</pubDate><description><![CDATA[基因就像一本天书，里面的字都是有A,T,C,G组成的。我们测序出来的大于几百bp的小的序列，我们叫做reads。我们测序的结果中有上百万条的reads，而这些reads的位置我们又不知道，我们只能根据他们重叠的部分来尽量还原他的原型。

k-mer是指将reads分成包含k个碱基的字符串，一般长短为m的reads可以分成m-k+1个k-mers。举个例子吧：为了简化，有这么个reads（当然实]]></description><category></category></item><item><title><![CDATA[交叉验证(CrossValidation)方法思想简介]]></title><link>https://blog.youkuaiyun.com/chenchen1127/article/details/79127126</link><guid>https://blog.youkuaiyun.com/chenchen1127/article/details/79127126</guid><author>chenchen1127</author><pubDate>Mon, 22 Jan 2018 11:41:07 +0800</pubDate><description><![CDATA[交叉验证(CrossValidation)方法思想简介


以下简称交叉验证(Cross Validation)为CV.CV是用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train
 set),另一部分做为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(mode]]></description><category></category></item></channel></rss>