- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 10-7 ROC曲线
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍描述TPR和FPR两个指标的ROC曲线，并通过编程绘制ROC曲线。通常在实际使用中使用ROC曲线下面的面积来评估不同模型之间的优劣，最后使用sklearn中的roc_auc_score函数返回ROC曲线下面的面积。
2.3K10发布于 2020-05-14 - 来自专栏mysql
hhdb数据库介绍(10-7)
为方便更换管理平台的产品Logo以及产品名称信息。引入“OEM管理功能”对外提供可视化更新Logo以及产品名称信息的入口。
55910编辑于 2025-03-11 - 来自专栏WOLFRAM
交互式查询化学键信息
█ 本文译自 Wolfram|Alpha 化学组开发人员 Jason.Biggs 在 Wolfram 社区发表的文章：Interactively query bond information 最近在S
92630发布于 2018-05-31 - 来自专栏量子化学
用EzReson进行化学键共振分析（6）：实例：吡咯的共振结构
Lewis结构是简单而且经典的概念，但有些结构不能仅被一个Lewis结构有效描述。此时可以画出多个Lewis结构式，表明实际分子是这些Lewis结构的杂合体。描述同一个实际分子的Lewis结构称为共振结构，这种用多个共振结构描述同一个分子的行为称为共振。在我们学习有机化学的过程中，曾经遇到的一个例子就是吡咯的共振结构。
4.3K30发布于 2021-04-07 - 来自专栏用户4866861的专栏
秒表检定装置秒表检定仪时间检定仪秒表检定设备
2) 作为日差测量仪使用； 3) 作为标准时间间隔发生器使用； 技术指标 机械秒表和电子秒表输出时间范围300ms~9 999 999 999s准确度优于±（1×10-7×T0＋3ms）物理接口香蕉座指针式电秒表输出时间范围 0.02s ~ 9 999 999 999s准确度优于±（市电频率准确度×T0＋0.6ms）物理接口香蕉座毫秒表和数字式电秒表输出时间范围0.02μs ~ 9 999 999 999s准确度优于±（1×10 -7×T0＋0.6ms）物理接口香蕉座标准时间间隔输出时间范围0.1μs ~ 9 999 999 999s准确度优于±（1×10-7×T0＋1μs）物理接口BNC晶振指标频率10MHz日老化率≤5×10 -9/日秒稳定度≤5×10-11/s准确度≤1×10-7预热时间12小时50Hz路数1电平TTL物理接口DB910MHz路数1电平≥7dBm物理接口BNCRS232C串口路数1路电平RS232C功能上位机串口指令控制及软件升级物理接口
1.2K20发布于 2020-01-15 - 来自专栏用户4866861的专栏
秒表检定仪时间检定仪检定电子秒表/机秒表
12.png 标称频率：10MHz · 波形：正弦波 · 幅度：≥7dBm · 日老化率：≤1×10-9/日 · 秒稳定度：≤5×10-11/s · 准确度： ≤1×10-7 · 预热时间：大于12小时 检定机械秒表和电子秒表（T0 为输入检定时段） · 输入范围： T0:300ms~9 999 999 999s · 准确度：优于±（1×10-7×T0＋3ms） · 幅度：﹢24V（仪器面板接口输出） （1×10-7×T0＋0.8ms）（使用数字式电秒表方式输出） 图片1111.png 1. 标准时间间隔（T0 为输入检定时段） · 输入范围： 0.01μs ~ 9 999 999 999s · 准确度：优于±（1×10-7×T0＋1μs） · 幅度：±5V · 物理接口：BNC 1. 仪器前面板有如右图所示部分： 此部分能够测试一个或者两个开关的通断时间，精度为优于±（1×10-7×T0＋0.8ms）；如果需要更高精度，使用标准时间间隔方式测量。 1. 1.
1.6K40发布于 2020-01-19 - 来自专栏用户4866861的专栏
秒表检定仪时间检定仪检定电子/机械秒表
秒表检定仪时间检定仪 图片1.png 技术指标 机械秒表和电子秒表输出时间范围300ms~9 999 999 999s准确度优于±（1×10-7×T0＋3ms）物理接口香蕉座指针式电秒表输出时间范围0.02s ~ 9 999 999 999s准确度优于±（市电频率准确度×T0＋0.6ms）物理接口香蕉座毫秒表和数字式电秒表输出时间范围0.02μs ~ 9 999 999 999s准确度优于±（1×10-7× T0＋0.6ms）物理接口香蕉座标准时间间隔输出时间范围0.1μs ~ 9 999 999 999s准确度优于±（1×10-7×T0＋1μs）物理接口BNC晶振指标频率10MHz日老化率≤5×10-9/ 日秒稳定度≤5×10-11/s准确度≤1×10-7预热时间12小时50Hz路数1电平TTL物理接口DB910MHz路数1电平≥7dBm物理接口BNCRS232C串口路数1路电平RS232C功能上位机串口指令控制及软件升级物理接口
1.6K20发布于 2020-01-16 - 来自专栏用户4866861的专栏
秒表检定仪的使用说明
检定机械秒表和电子秒表（T0 为输入检定时段） · 输入范围： T0:300ms~9 999 999 999s · 准确度：优于±（1×10-7×T0＋3ms） · 幅度：﹢24V（仪器面板接口输出） 检定毫秒表和数字式电秒表（T0 为输入检定时段） · 输入范围： 0.01μs ~ 9 999 999 999s · 准确度：优于±（1×10-7×T0＋0.1μs）（使用标准时间间隔方式输出） 优于± （1×10-7×T0＋0.8ms）（使用数字式电秒表方式输出） 1. 标准时间间隔（T0 为输入检定时段） · 输入范围： 0.01μs ~ 9 999 999 999s · 准确度：优于±（1×10-7×T0＋1μs） · 使用与操作 1. 通电前准备 1. 仪器前面板有如右图所示部分： 此部分能够测试一个或者两个开关的通断时间，精度为优于±（1×10-7×T0＋0.8ms）；如果需要更高精度，使用标准时间间隔方式测量。 1.
1.8K00发布于 2020-01-07 - 来自专栏智药邦
百度研究成果登《Nature》子刊：利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
67240编辑于 2022-03-04 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-7 十进制转换二进制
习题10-7 十进制转换二进制 本题要求实现一个函数，将正整数n转换为二进制后输出。
89920发布于 2020-09-15 - 来自专栏用户4866861的专栏
SYN5301型秒表时间检定仪特点说明
针对当前市场品类繁多的秒表检定仪，我公司特意将同行的产品与我公司的《SYN5301型毫秒表时间检定仪》的参数及功能用途等等进行一一对比，方便用户选择，具体如下： 一、对比结果 1、 测量的准确度对比： ±（1×10 -7×T0＋1μs） 优于 ±（1×10-7×T0＋3μs） 2、 输入的范围对比： 机械秒表和电子秒表： 300ms~9 999 999 999s 优于 1s-99999s 指针式电秒表：
95410发布于 2020-01-13 - 来自专栏DrugOne
Nat. Mach. Intell. | 利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
71210编辑于 2022-03-25 - 来自专栏机器之心
“几何构象增强AI算法”，百度生物计算最新研究成果登上《Nature》子刊
图 1: GEM 的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。 GEM 提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。每个化合物由两个图组成：原子－化学键的图 G 和化学键－键角的图 H。 类似于过往的工作，原子－化学键的图 G 以原子作为图的节点，化学键作为连接原子的边。而化学键－键角的图 H 则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM 不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
65930编辑于 2022-03-04 AI+Drug 文献速递 | YuelBond，一个基于图神经网络的多场景化学键重建通用框架
2025.05.06.652517 代码: https://bitbucket.org/dokhlab/yuel_bond 简介: 论文提出YuelBond多模态图神经网络框架，用于解决生成分子设计中化学键重建的难题 ，创新点在于能在多种复杂场景下准确重建化学键。 该框架基于图神经网络，以原子为节点、化学键为边，通过特定的消息传递机制学习和预测键序。 实验使用GEOM数据集，在三种场景下对模型进行训练和评估：从准确3D原子坐标恢复键序、在有几何扰动的粗新生化合物中重建化学键、对2D拓扑图重新分配键序。
63610编辑于 2026-01-08- 来自专栏智药邦
JCIM｜RJT-RL：一种基于化合物的可逆树表示和深度强化学习的分子设计方法
简要地说，连接树中的节点表示分子图中的一个化学键或一个环[这些化学键和环已经预先从数据库中筛选出来定义好。 如图S1所示，第三行中矩形框表示连接树中的化学键节点（对应分子图中的一个化学键）；圆圈表示连接树中的环节点(对应分子图中的环)；红色圆圈为单原子节点，其被三个化学键节点连接，详细的介绍可以参考原始论文] 类型1边又可细分为三种情况：(1)化学键节点连接单原子节点；(2)两个化学键节点相连；(3)化学键节点和环节点相连。图1A上示例了两个化学键节点相连，图1A下示例了化学键节点和环节点相连。
58530编辑于 2022-11-16 - 来自专栏DrugOne
Nat. Commun. | 引导等变扩散驱动的靶标感知三维分子生成
研究人员提出了 DiffGui，一种靶点条件的 E(3)-等变扩散模型，通过引入化学键扩散和性质引导来解决这些问题。原子扩散与化学键扩散的结合能够显式建模两者的相互依赖，从而同时生成原子和键。 消融实验进一步验证了化学键扩散和性质引导模块的重要性。DiffGui 在新药设计与先导化合物优化中均展现出卓越表现，并在实验室实验中获得验证。 它在前向过程中对原子与化学键分别注入噪声，并在反向生成过程中结合分子性质（如结合亲和力、QED、合成可行性、LogP 和极性表面积）进行引导。 该设计既解决了原子与化学键间的一致性问题，也通过性质约束提升了分子的药物样特征。 研究人员提出的 DiffGui 模型通过整合化学键扩散和性质引导，能够同时生成原子与键，并在保证结构合理性的同时，赋予分子期望的药物属性。
50410编辑于 2025-09-02 - 来自专栏用户4866861的专栏
高精度频率计数器功能简介
10Vrms闸门时间10ms～1000s测量功能平均值，最大值，最小值，峰峰值，频率趋势图功率测量范围-50dBm～+20dBm功率测量精度±1dBm内部时基输出频率10MHz温补晶振频率准确度A≤5×10 -7老化率≤1×10-6/年恒温晶振（选件010）开机特性V≤1×10-8频率准确度A≤1×10-7老化率≤1×10-9/日秒稳定度≤3×10-11/s铷原子钟（选件020）频率准确度A≤5×10-11
1K40发布于 2020-04-23 - 来自专栏DrugOne
Nat. Commun. | 通过多任务图表征学习解决单步逆合成预测
该框架包含三个核心部分： 原子特征增强器（AEE）：通过对比学习技术，分析目标分子与其组成部分（合成子）的结构异同 反应中心预测器（RCP）：结合化学键能量等基础知识，准确识别可能发生反应的化学键位置 本研究的主要发现 通过分析化学键的特征分布（基于美国专利商标局的50K和480K化学反应数据集），研究发现： 能量较高（≥360 kJ/mol）的化学键，包括双键（如碳-碳双键、碳-氧双键、碳-氮双键） 研究还发现，即使是看似简单的化学键能量信息也能显著提升系统性能，因为高能量的化学键往往更容易参与反应。 图 3 为了更深入地理解这一规律，研究人员分析了化学键的特征。如图3所示，他们发现： 高能量的化学键（如三重键、芳香键）通常很稳定，不易参与反应。 图4证实了这一点：当一个化学键连接的两个原子具有相反的电性时，它更可能成为反应发生的位置。
42200编辑于 2025-04-19 - 来自专栏智药邦
Nat Commun｜西北工业大学施建宇团队：通过多任务图表示学习进行单步逆合成预测
Retro-MTGR的工作流程图 研究亮点：从键能到分子电性，AI揭示药物合成的深层规律 这项研究的最大亮点之一，在于通过学习分子化学键的结构，键能等属性，揭示了哪些化学键可能成为反应中心，哪些则可能只是普通的化学键 具体来说： 高键能（>=360 kJ/mol）的化学键，如双键和三键，通常是普通键； 低键能的单键（如C-N、C-O等）可能是反应中心，也可能是普通键，这取决于周围分子的结构； 反应中心的原子通常具有相反的电性 图2.化学键嵌入空间的展示 图3.合成子和离去基的联合嵌入空间展示 实验验证：准确预测药物合成路径 为了验证这一创新框架的有效性，研究团队通过预测两种药物Sonidegib和Acotiamide的逆合成路线
61810编辑于 2025-02-05 - 来自专栏杨建荣的学习笔记
K-Means算法原理和简单测试
我们选择P1,P2为质心，即他们作为参照标准，分别和其他的员工数据进行比对，得到一个差异值，即两点之间的距离，可以使用欧式距离来得到，比如P1到P3的距离就是（10-7）（10-7）+（10-5）（10
81620发布于 2019-06-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号