L-乳酸是一种结构单元 | MedChemExpress (MCE)

L-Lactic acid | L-乳酸

中文名:L-乳酸

CAS:79-33-4

品牌:MedChemExpress (MCE)

存储条件:4°C, sealed storage, away from moisture

生物活性: L-乳酸是一种结构单元,可用作生产生物塑料聚合物聚乳酸的前体。

分子量

90.08

Formula

C3H6O3

CAS 号

79-33-4

性状

<53°C 固体,>53°C 液体

颜色

Colorless to light yellow

结构分类
  • Ketones, Aldehydes, Acids
初始来源
  • 内源性代谢物
  • 疾病标志物
  • 感染
 
  • 内源性代谢物
  • 疾病标志物
  • 内分泌疾病
 
  • 内源性代谢物
  • 疾病标志物
  • 神经系统疾病
 
  • 内源性代谢物
  • 疾病标志物
  • 心血管系统疾病
 
  • 内源性代谢物
  • 疾病标志物
  • 免疫系统疾病
 
  • 微生物
运输条件

Room temperature in continental US; may vary elsewhere.

储存方式

4°C, sealed storage, away from moisture

*In solvent : -80°C, 6 months; -20°C, 1 month (sealed storage, away from moisture)

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
### 深度学习中的MCE结构 #### 解释 多类别交叉熵(Multiclass Cross Entropy, MCE)是一种广泛应用于深度学习模型中的损失函数,用于处理多分类问题。该损失函数衡量预测概率分布与实际标签之间的差异。具体来说,对于每一个样本\( i \),如果其真实标签为 \( y_i \) 而模型给出的概率估计向量为 \( p_i \),那么针对这个样本的MCE定义如下: \[ -\sum_{c=1}^{C}{y_{ic}\log(p_{ic})} \] 此处 \( C \) 表示类别总数,而 \( y_{ic} \) 是指示变量,当第 \( c \) 类是正确类别时取值为1,否则为0;\( p_{ic} \) 则代表模型对该类别的预测概率。 这种形式使得只有真正属于某类的数据点会对总误差有所贡献,从而鼓励模型提高对正类别的置信度并降低负类别的得分[^4]。 #### 作用 MCE作为监督信号引导神经网络调整参数以最小化预测输出与目标之间差距。这有助于确保模型能够有效地从输入特征中学习到区分不同类别的模式,并最终实现更精准的分类效果。此外,由于采用了softmax激活函数配合MCE计算方式,还可以保证所有类别的预测概率之和等于1,形成有效的概率分布。 #### 使用场景 - **图像识别**:在大规模图片库上训练卷积神经网络来进行物体检测或细粒度分类任务。 - **自然语言处理**:文本分类、情感分析等领域常用此方法评估文档所属的主题或者情绪倾向。 - **语音识别**:将音频片段转换成文字的过程中也需要依赖此类技术来判断发音对应的字符序列。 - **医疗诊断辅助系统**:通过对病患症状描述或其他生物标志物测试结果进行解析,帮助医生做出更加准确可靠的疾病判定。 ```python import torch.nn as nn # 定义一个多类别交叉熵损失实例 loss_fn = nn.CrossEntropyLoss() # 假设我们有一个批次大小为N,类别数为C的情况下的预测张量outputs以及真实的标签labels # outputs.shape -> (N,C), labels.shape -> (N,) loss_value = loss_fn(outputs, labels) print(f"The computed multiclass cross entropy loss is {loss_value.item()}") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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