m0_54634272的博客

原创 使用YOLOv8训练自己的【目标检测】数据集

答:为了让计算机学会正确地识别物体，我们需要提供大量的标注数据集，这些数集包含了图像或视频中物体的位置和类别信标注数据集的作用在干，它可以帮助计算机学习到如何识别不同种类的物体，并且能够正确地定位它们的位置。但是，如果我们有了标注数据集，计算机就可以通过学习这些数据来理解猫和狗之间的差异，并且可以在新的图像中准确地识别它们。这种方法可以提供一些特殊情况或无法通过其他方式获得的图像，但是合成图像通常无法完全代替真实场景的数据，可能会对模型的准确性产生一定的影响。需要注意的是，网络上的图像可能受到版权保护。

原创 推荐系统实战（基于机器学习/深度学习）

一句话概括，推荐给你感性趣的视频，商品等，让你入迷。

原创 神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）

神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）

原创 深度学习目标检测_NMS、IOU、Precision、Recall、AP、mAP详解

深度学习目标检测_IOU、Precision、Recall、AP、mAP详解

原创 alphafold-multimer环境部署

Alphafold2（AF2，二狗）发布以后，一大堆科学家把这个人类历史上最高精度的蛋白质预测模型当起了玩具，并且把大家的新发现发在了推特上（open science 的形式）。其中一个最重要的发现是他们发现AF2虽然是在单体上进行的训练，却没有能力进行复合物的预测。在open science的召唤下，deepmind团队在2021年10月6号上线了Alphafold-multimer，一款针对复合物进行重新训练的神经网络。...

原创 Stable Diffusion 3 / FLUX 类模型中的 Flow Matching：怎么用、怎么调、怎么避坑

Flow Matching 真正进入大众视野，很大程度上和新一代图像生成模型有关。Stable Diffusion 3 相关论文使用 Rectified Flow Transformer，Hugging Face Diffusers 也为这类模型提供了 FlowMatch 系列 scheduler。

原创 PyTorch 从零实现 Flow Matching：训练、采样、画图一条龙

这篇文章提供了一个最小化的PyTorch实现流程，展示了Flow Matching的核心训练框架。主要内容包括： 构造一个八簇高斯分布作为目标 设计时间条件速度网络VelocityNet 实现线性路径和速度标签的训练目标 使用Euler采样器进行生成 记录和分析训练日志 可视化采样结果 探讨采样步数的影响 加入minibatch OT优化配对 整个流程仅需约150行代码，但包含了Flow Matching的关键要素：训练、采样、评估和优化。

原创 Flow Matching 为什么突然火了：从“去噪”到“学速度场”

Flow Matching 是一种训练连续生成模型的框架，直接预测从噪声到数据的速度场，而非传统扩散模型的逐步去噪。其核心是让神经网络学习任意时刻和位置的移动方向，通过积分路径生成数据。与扩散模型相比，Flow Matching 更关注“运输视角”，可兼容多种概率路径（如扩散路径或线性路径）。

原创 Flow Matching×Diffusion：训练目标、采样器和 velocity prediction 怎么写

本文系统梳理了Flow Matching与Diffusion模型在工程实现中的关键差异，重点围绕训练目标、采样器和速度预测展开： 训练目标差异：扩散模型（DDPM）预测噪声，而Flow Matching直接学习速度场。后者采用线性插值路径，通过最小化速度场预测误差（MSE）来训练模型。 预测目标比较：分析噪声预测（DDPM）、分数预测（Score SDE）和速度预测（Rectified Flow）的适用场景，指出速度预测更适合ODE采样和Flow Matching框架。 实现细节： 配对策略影响训练效果，独

原创 Conda安装PyTorch时nvidia工具包下载困境与解决方案（文末附最全国内conda源，持续更新）

本文总结了配置PyTorch+CUDA环境时遇到的下载缓慢问题及解决方案。主要问题包括nvidia工具包下载慢、镜像源配置错误等。通过正确配置.condarc文件，使用南方科技大学等国内镜像源，最终实现高速下载。文中提供了详细的镜像配置方法、验证脚本及常见问题解答，并附清理缓存、分步安装等实用技巧，帮助开发者高效完成深度学习环境搭建。

原创 对多线程、多进程与GIL的理解（用厨房打比方）

本文通过厨房比喻形象解释了计算机并发编程的核心概念。将CPU核心比作灶台，线程比作厨师，进程比作整个厨房，阐述了它们之间的关系和工作原理。重点分析了Python特有的GIL机制及其对多线程的影响，提出了三种绕过GIL的方法：多进程、异步编程和使用特定扩展库。根据任务类型（计算密集型/I/O密集型）给出了模式选择建议，并比较了不同编程语言的并发特性。最后通过Python代码示例展示了多进程处理计算密集型任务和多线程处理I/O密集型任务的实际应用。全文以生动的厨房场景类比，使复杂的并发概念变得直观易懂。

原创 关于sklearn中StandardScaler的使用方式

StandardScaler 是一种常用的数据标准化方法，用于将数据转换为均值为 0，标准差为 1 的标准正态分布。

原创 矩阵压缩技术CSR（scipy.sparse.csr_matrix）和CSC（scipy.sparse.csc_matrix）

本文深入解析了CSR（Compressed Sparse Row）和CSC（Compressed Sparse Column）矩阵压缩技术，这两种技术广泛应用于科学计算和数据分析领域，特别是在处理大规模稀疏矩阵时。文章通过实例说明了CSR和CSC矩阵的构建过程，包括存储非零元素、列索引及游标指针的作用，展示了如何使用Python的scipy库进行矩阵压缩。

原创 显卡算力详细解读（以RTX5090 RTX4090 RTX3090 A5000 A800为例）

深度学习显卡参数介绍及配置指南

原创 Linux系统检测硬盘失败解救方法

Linux系统以稳定灵活，是许多服务器和开发环境的首选。然而，在使用过程中，硬件故障如硬盘无法识别或读写错误等问题仍难以完全避免。这类问题往往由连接松动、文件系统损坏或硬盘本身老化导致，可能造成数据丢失或服务中断。为了解决这个问题，我结合常见的故障场景和处置经验，整理了以下从排查到解救的方法，希望能为你提供清晰的解决思路。

原创 深度学习知识点：LSTM

长短期记忆神经网络（LSTM）是一种特殊的循环神经网络(RNN)。原始的RNN在训练中，随着训练时间的加长以及网络层数的增多，很容易出现梯度爆炸或者梯度消失的问题，导致无法处理较长序列数据，从而无法获取长距离数据的信息。

原创 深度学习知识点：RNN

循环神经网络（RNN，Recurrent Neural Network）是一类用于处理序列数据的神经网络。与传统网络相比，变化不是特别大，不如CNN的变化那么大。为什么要有循环神经网络：传统神经网络：输入一个数据处理一个数据，互不干扰但是有些数据是连贯性的，比如一个句子（我今天早上8点醒的），就不可能将每一个字或一些词单独处理，而是在处理这个字的同时还要考虑到与前面字的关系，因此循环神经网络就可以解决这一问题。

原创 训练一个符合人类说话语气的聊天机器人

大模型输出的语言看上去不像人，更像机器人，通俗来说就是太有礼貌了

原创 Rosetta 二：手把手教你用Rosetta的全局对接模块

Rosetta学习爱好者来，今天的主题是全局对接

原创 分子动力学工具篇二：Sobtop的安装与使用

Sobtop 是一个用于自动生成分子拓扑文件的工具，特别是为 GROMACS 分子动力学模拟准备拓扑结构和参数。它的设计目标是通过自动化过程生成小分子、聚合物或其他复杂分子的拓扑文件，简化研究人员进行分子动力学模拟的流程。

原创 分子动力学工具篇一：TAB与moltemplate的安装与使用

相关的分子data文件在system.data里面，力场参数如bond_coeff,angle_coeff,pair_coeff等参数在system.in.settings里面。在文件2的中间部分，有这么一部分，用三个顿号区分开来的区域，为moltemplate的输入文件，将其另存为system.lt,要去除每行的#|将参数配置好后打开1，另存为GROMOS_54A7_ATB.lt，会看到。中间有两个import，对应于上面提到的两个文件。你也可以自己搜索与自己有关的小分子，我这里只是讲解。

原创 Rosetta 一：手把手教你用Linux安装Rosetta（全网最简洁）

Rosetta 是一种生物物理建模软件，它使用模拟和评分功能来优化结构。

原创 PACKMOL 二：手把手教你用packmol构建含有 1 400 个 PS 单体的纳米球

使用packmol构建分子动力学模拟需要的小分子化合物

原创 手把手教你用linux安装Gromacs（2024 GPU-CUDA）

GROMACS是一个复杂的分子动力学模拟软件，用于模拟生物大分子的物理运动。

原创 PACKMOL 一：手把手教你用Linux安装 packmol

PACKMOL 是一个开源软件，用于生成分子动力学模拟所需的初始结构。它的主要功能是根据用户定义的几何约束，将分子放置在指定的体积中，如球形、立方体或其他任意形状，从而为分子动力学模拟准备合理的初始排布。PACKMOL被广泛应用于化学、物理和生物模拟领域。

原创 GROMACS基础教程与自动化脚本使用说明

GROMACS是一个复杂的分子动力学模拟软件，用于模拟生物大分子的物理运动。

原创 Ollama下载失败？试试离线安装

ollama下载总是失败？试试离线安装

原创 系统盘不够用？Docker目录迁移指南

当系统盘快满了时，如何在docker身上释放大量内存，今天我们一起把docker的默认下载位置移动到其他盘

原创 Docker实用命令与目前好用的源

为了加快镜像的下载速度，特别是在中国大陆地区，我们通常需要更换docker源。

原创 docker拉取镜像失败的解决方案大全

Registry Mirrors：有截图中框起来的就说明配置成功。

原创 瑞数4.0某房地产_瑞数补环境

本文章中所有内容仅供学习交流，抓包内容、敏感网址、数据接口均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关，若有侵权，请联系我立即删除！此外出于某种原因。本章大部分调试会省略，仅简单说个大概瑞数动态安全 Botgate（机器人防火墙）以“动态安全”技术为核心，通过动态封装、动态验证、动态混淆、动态令牌等技术对服务器网页底层代码持续动态变换，增加服务器行为的“不可预测性”，实现了从用户端到服务器端的全方位“主动防护”，为各类 Web、HTML5 提供强大的安全保护。

原创 【数据下载】利用wget命令批量下载ftp文件和文件夹

这是一个“”数据大发现”的时代，大家都在创造数据，使用数据以及分享数据，首先一步我们就需要从数据库download我们需要的数据。这是完整的参数，可以按需使用。-r 递归下载子目录文件。-nH 不创建主机目录。-np 不追溯父文件夹。

原创 GCN的使用和包的安装（超详细）

比如，lib包，我的机器是python 3.7 linux_x86_64 ，则下载对应的最高版本的包

原创 NGS基因测序（panel）报告解读数据库汇总

今天我们来梳理一下肿瘤基因报告解读常见的数据库，大家有机会可以自己查询并且解读

原创 【python学习】-用matplotlib实现将二维数据绘制为三维图形（三维多线图）并实战(三维散点图)

截至此，内容来源于 [https://blog.youkuaiyun.com/qq_40481843/article/details/120888436](https://blog.youkuaiyun.com/qq_40481843/article/details/120888436)这里需要自己找一张图片并修改为lena.png，放在py文件同级目录下。主要是调整图形清晰度，坐标轴以及图形颜色，线的粗细，添加label。

原创 MAC鼠标中键的使用

1）在sublime text 或者pycharm等一些文本编辑器或IDE中实现中键修改一列数据中特定位置的值。摇移：按住control+command，三指滑动，= 滑动鼠标中键。四视图：Fn+F5，= 鼠标中键，Fn+F1切换回主视图；平移：按住数字键1，三指滑动，= alt+鼠标中键；

原创 Temperature perdiction was carried out with PyTorch neural network

原创 Neural network classification task

Who want to practice Deeplearning code? This is a basic code. Welecome!

原创 蛋白质的上位性效应及突变影响的范式

3）V和P具有更高的自由度，因此需要的能量更低，属于有力突变。1）相互作用的氨基酸形成有利接触（H和T具有H键相互作用）2）H和P的空间叠加，属于不利的上位姓效应。

原创 wget下载到一半断了，重连方法

下了大概2个小时后，已经下载了78%(6G/7.7G）就断了。无奈ctrl+c停止了；wget的下载中断后也是可以重新连接下载了，（想象一下78%，重新下载的绝望。一开始下载的挺快，然后随着下载继续，下载速度就一直在下滑。我是使用wget去下载 data.tar.gz 压缩包。运行后会生成nohup.out文件，进度就存在里面。当查看下载进度时，可以用下面的命令。