weixin_42430979的博客

原创 数学与生物

细胞：组成生物体的最小的功能单元。转录：是遗传信息从DNA流向的过程。是指以DNA为模板，以ATP、UTP、GTP和CTP为原料，按照碱基互补原则，在的作用下合成RNA的过程，是基因表达的第一步。

原创 基于多组学联合分析挖掘果实发育的调控基因

辅助说明一下，数据库是可以用的。代谢产物的变化趋势分为八组。基因和代谢产物相关联。

原创 生理学高频术语

基因调控网络（GRN）描述了。

原创 遗传学——等位基因

原创 Tranformer在视觉领域的应用

Tranformer目的是对输入序列进行特征提取，将序列中的每一个单元组合成新的特征。获取每个单元与其他单元间的关系。将图像分为多个patch，将每一个patch变为一个向量，多个patch变成一个序列。将序列通过全连接层做一个特征整合变换维度。对每个patch做一个位置编码，任意形式位置编码均可以（一维二维）。在所有patch变成一个序列时，多加一个token，该token经过tranformer encoder之后得到全局特征，将该结果向量做分类。

原创 遗传学——遗传率的估算

遗传变异与表型方差广义遗传率狭义遗传率。

原创 基因组学发展史

HapMap是Haplotype Map的简称，在基因组中专指来自父母的一对染色体中的一条，Haplotype就是单条染色体中的一段，译作单体型(或单倍型)，是描述遗传差异的一种主要方式。HapMap Project是继国际HGP之后的又一个重大研究计划，旨在确定和编目人类遗传的相似性和差异性，建立一个帮助研究者发现人类疾病及其对药物反应的相关基因的公众资源。HapMap是人类基因组中常见遗传多态位点的目录，它描述了这些变异的形式、在DNA上存在的位置、在同一群体内部和不同人群间的分布状况。

原创 玉米全基因组选择育种的经验与实践

MABC 是一种利用分子标记将目标性状（如抗病基因）从供体材料。

原创 遗传学知识体系

表观遗传学：在不改变生物基因序列的情况下，改变生物体的性状某个基因没有突变，但是性状改变了基因在转录翻译过程中，在蛋白质水平上发生了改变，或者在代谢水平上发生了改变蛋白组学（Proteomics）是研究细胞、组织或生物体在特定时间和条件下，所有表达的蛋白质的组成、结构、功能及其相互作用的学科。转录组学（Transcriptomics）是研究细胞、组织或生物体在特定条件下，所有转录产物（主要是RNA，尤其是mRNA）的种类、数量、结构及其动态变化的学科。

原创 过拟合/欠拟合

训练集上的误差非常低，而测试集上的误差显著更高，表明模型对训练数据过度拟合。：训练误差较低，测试误差稍高，但没有严重的差距，模型可能过拟合了一些细节，但整体仍有一定的泛化能力。

原创 零样本工业异常检测

零样本工业异常检测工业缺陷具有表观随机、形状随机、位置随机的特点上诉三种均搜集正常样本，来判断异常样本。每一次换产线均需要重新训练一个正常样本网络。

原创 Swin-Transformer代码修改

该代码在循环内，每一个label就更换一个颜色。进入命令行输入以下指令。

原创 叶绿素荧光

藻类也有类似叶绿体结构类囊体膜有四个主要的蛋白复合体结构电子传递链不仅传递电子，也有质子的产生。

原创 Swin-Tranformer

SwinTranformer在多项任务中表现很好，SwinTranformer进行了分层处理下采样的同时特征图翻倍。patch embedding可以通过更改卷积大小，实现不同大小的输入。window_partition就是对图片进行reshape操作，将特征图按照窗口大小划分（3,64,3,49,32）qkv三个矩阵，64个窗口，每个窗口由7*7=49个token组成，每一个token由3头注意力机制来搞定的，每一个头解决32维的向量。

原创 基础图像处理+深度学习基本知识

亦称像素点或像元点。即影像单元（picture element）。是组成的最小单元。：是指像素所代表的的地面范围的大小。通常用像元大小、像解率或视场角来表示。指的是图像中存储的信息量，通常为单位英寸中包含的像素点数。

原创 Transformer基础知识

忽视词序信息、难以处理多义词、无法捕捉长距离依赖关系、对新词和低频词的表现较差、词向量难以解释、对上下文敏感度较低。注意力机制得到每个词与序列中其他词的关系，但当该词处于一句话中的不同位置得到的权重应该不同。Decoder是一个词一个词输出， 可以对已出的词进行计算，但对未预测的图进行mask。对开始和结束 特征向量，与通过注意力机制后的结果做内积得到问题回答的开始和结果位置。将q1与每一个k的分值转换成概率 ，表示当前词对序列中每一次的关系。其中的位置编码是采用余弦正弦的周期信号。

原创 轨道交通信号与控制基础概念

城市轨道交通信号系统是指挥列车运行，保证列车安全，提高运输效率的关键设备。信号系统通常由列车运行自动控制系统和车辆段信号控制系统两 大部分组成，用于列车进路控制、列车间隔控制、调度指挥、信息管理、设备工况监测及维护管理等，由此构成了一个高效的综合自动化系统。

原创 大模型总结

从数据本身找标签，不需要额外提供label，例如语言模型。没有明确目的，从数据分布角度构造损失函数，例如聚类利用少量有标签的数据和大量无标签的数据来训练网络，让学习器不依赖外界交互、自动的利用未标记的样本提升学习性能，就是半监督学习。通常指参数较少、层数较浅的模型，它们具有轻量级、高效率、易于部署等优点，适用于数据量较小、计算资源有限的场景，例如移动端应用、嵌入式设备、物联网等。是指具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务。

原创 一些环境配置注意事项

找到想要安装的torch及对应的cuda，（比如我要下载cuda10.2的torch），选中cuda10.2对应的torch（如果没有想要的，查看以前版本torch），复制pip安装的命令，激活虚拟环境输入命令安装即可。注：不必在意base环境下的cuda版本，激活虚拟环境后通过pip指令安装torch就会对应安装该版本的cuda。可以使用如下指令在虚拟环境下查询当前cuda版本。进入pytorch官网，

原创 Mask R-CNN网络结构

Mask R-CNN主体结构还是Faster R-CNN，后端并联了一个mask分支Mask R-CNN有两种：一种不带FPN特征金字塔结构的，一种带FPN的，现今以采用FPN结构的为主。

原创 Python冠层投影面积自动求取代码

对于拍摄的冠层投影面积的提取

原创 FCN简单总结

全卷积表示：将之前分类网络中的全连接层替换为卷积层。

原创 FPN网络结构细节

针对每一个骨干网络上的特征图进行1´1的卷积处理，目的是为了调整不同特征图的通道数，因为不同层次上的特征图通道数是不同的，一般越来越多。针对每一个骨干网络上的特征图进行1´1的卷积处理，目的是为了调整不同特征图的通道数，因为不同层次上的特征图通道数是不同的，一般越来越多。在FPN中可以针对不同特征层预测不同尺度的目标，而Faster R-CNN中所有的不同面积不同比例的Anchor都在一个特征图预测。对于上一层的特征图进行二倍的上采样，即插值，保证了融合上层和下层的特征图高和宽一致。

原创 R-CNN Fast R-CNN Faster R-CNN的差异性

R-CNN包括Region proposal(Selective Search)、Feature extraction、Classification（SVM）、Bounding-box regression(regression)四个部分。Faster R-CNN是端对端的网络，Region proposal、Feature extraction、Classification、Bounding-box regression四个部分均融合在CNN网络中。