- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-4)
该功能用来查看和管理所有计算节点集群中存储节点所在实例的主从关系。实例信息可以通过主机名、端口号、和存储节点版本号进行筛选。
77710编辑于 2025-03-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-4 F1 Score
该来的自然来，会走的留不住；不违心、不刻意、不必太在乎、放开执念，随缘是最好的生活。
2K20发布于 2020-04-08 - 来自专栏完美Excel
VBA专题10-4：使用VBA操控Excel界面之设置工作簿视图和窗口
如果活动工作表不是标准工作表，那么上述语句执行时会导致运行时错误，因为图表工作表、宏工作表或对话框工作表没有这些视图选项。
5K20发布于 2020-08-04 - 来自专栏生信菜鸟团
【孟德尔随机化和共定位】文献分享：青光眼的致病基因和细胞类型
、包括视网膜和视神经头在内的虹膜周围巩膜中的成纤维细胞以及视网膜和视神经头中的大胶质细胞，这表明存在眼压依赖性和神经保护过程。 作者发现 49 个 GTEx 组织中的大多数组织和视网膜中的 eQTL 和 sQTL 中，多个 POAG 和 IOP 相关性（包括全基因组显著性和亚阈值）明显富集（Bonferroni 校正 P <5 × 10 ——这里作者提出的方法可以作为参考~ 在胫神经、脂肪、皮肤、动脉和成纤维细胞等组织中发现的共定位 e/sGenes 数量最多，其中许多组织含有与青光眼致病性相关的细胞类型。 交叉遗传位点共定位的基因在弹性纤维形成（P 值<1 × 10-5，FDR < 0.001）和细胞外基质组织（P =3 × 10-5，FDR = 0.012）方面显著富集，在转化生长因子 beta (TGF) 受体信号通路（P =3×10 、感觉神经元支配模式异常和轴突导向中涉及的轴突延伸负调控）中明显富集（P <4 × 10-3）。
1.7K10编辑于 2024-04-11 - 来自专栏脑电信号科研科普
Schizophrenia Bulletin: 精神分裂症的潜在临床-结构维度
最近的研究已经针对基于临床行为特征或神经影像学特征将个体分层成互不重叠的团块或生物类型。 尽管该方式具有一定的前景，但这种“硬分类”方法是基于临床行为或神经影像学精确分类而设计的，未考虑跨越多临床维度的连续表型维度的可能性，也未明确整合临床和神经结构学的关键特征。 个统计学上显着的潜在变量（LV），它们代表分布的形变模式（由校正年龄后的DBM估计）与临床认知指标之间的配对（图2a；LV-1：permuted P = 7.3×10-3；LV -2：permuted P =5×10 -4；LV-3：P = 7×10-4）。 对SES与PLS得到的脑形变形模式进行回归分析表明，较低的SES与脑灰质体积减少显著相关（a= -0.43（0.092）；P <1.0×10-4；95％CI [-0.62，-0.24]）。
88300发布于 2021-01-25 - 来自专栏机器学习养成记
神经网络-BP神经网络
感知器作为初代神经网络，具有简单、计算量小等优点，但只能解决线性问题。 BP神经网络在感知器的基础上，增加了隐藏层，通过任意复杂的模式分类能力和优良的多维函数映射能力，解决了异或等感知器不能解决的问题，并且BP神经网络也是CNN等复杂神经网络等思想根源。 1 基本概念 BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。 2 BP神经网络结构 BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（分别是输入样本的变量个数和输出标签个数），但隐藏层的节点个数不固定。 以具有单隐藏层的BP神经网络为例，其网络结构如下图： ? 3 BP神经网络原理公式 以单隐藏层的BP神经网络为例，各阶段原理公式如下： 前向传播。
2.3K20发布于 2021-03-04 神经图
NEAT是从简单的单层网络逐步演化成复杂的神经网络拓扑结构的一种方法。 如果鼠标悬停在神经元上，会弹出一个标签来描述它是哪种类型的神经元（S形，正弦，余弦，高斯等）。具有大重量级的连接将具有比光连接更暗且更厚的颜色。 我最终做的是用一个单线性加隐藏神经元（不是sigmoid）来初始化网络，并且把所有的输入连接到这个初始神经元，并且把这个初始神经元连接到所有三个输出通道，所有这三个输出通道都具有随机的初始权值。 image.png 黄色的正弦神经元已被随机添加在与最初的加性神经元分离的后一代中，以产生重复的关键模式。 对于我的网络，我实际上允许所有隐藏的神经元自由地与网络中的另一个非输入神经元连接，所以实际上我们很可能最终得到循环网络。感谢recurrent.js中的Graph对象，这不是很难做到。
1.4K101发布于 2018-02-05- 来自专栏脑电信号科研科普
通过深度学习识别和验证基于脑额叶区-后叶区功能失衡的重大精神疾病内的亚型
因此，了解MPD的核心变化对于我们绘制导致精神病理的主要神经通路，以及导致诊断内和诊断间不同临床现象的交叉路径是至关重要的。 静息态功能磁共振成像技术是一项已经非常成熟的对大脑内在功能进行无创性探索的技术，利用测量血氧饱和度依赖性（BOLD）信号中的自发低频波动（LFFs）已经被广泛应用于神经影像学。 然后使用深度人工神经网络自编码器进一步将输入数据的维度降低到d∈[2，10]。 该研究分析了105个不同水平的阈值下的（范围从0到0.5，增量为0.005的100个P阈值，再加上10-6、10-5、10-4、0.001和1共5个P阈值）PRS。 Archetypal MPDs亚型在四个不同的P阈值下，基于SZBD的多基因风险评分与HC组有显著差异，这四个阈值分别是10-6（N SNPs = 300), 10-5（N SNPs = 565), 10
57720发布于 2020-11-13 - 来自专栏机器之心
学界 | 深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet
这种效果可以通过神经网络来达到，网络架构受到稀疏编码的启发。 它是一个卷积神经网络，包含 3 个卷积层：图像块提取与表征、非线性映射和最后的重建。 它对超参数的变化非常敏感，论文中展示的设置（前两层的学习率为 10-4，最后两层的学习率为 10-5，使用 SGD 优化器）导致 PyTorch 实现输出次优结果。 神经风格迁移中也出现了类似的问题，感知损失是一个可能的解决方案。 训练用了两天时间，训练过程中，我们使用了学习率为 10-4 的 Adam 优化器。使用的数据集包括来自 MS‑COCO 的 96×96 随机图像，与感知损失网络类似。
3.5K60发布于 2018-05-10 - 来自专栏脑电信号科研科普
通过深度学习识别和验证基于脑额叶区-后叶区功能失衡的重大精神疾病内的亚型
因此，了解MPD的核心变化对于我们绘制导致精神病理的主要神经通路，以及导致诊断内和诊断间不同临床现象的交叉路径是至关重要的。 静息态功能磁共振成像技术是一项已经非常成熟的对大脑内在功能进行无创性探索的技术，利用测量血氧饱和度依赖性（BOLD）信号中的自发低频波动（LFFs）已经被广泛应用于神经影像学。 然后使用深度人工神经网络自编码器进一步将输入数据的维度降低到d∈[2，10]。 该研究分析了105个不同水平的阈值下的（范围从0到0.5，增量为0.005的100个P阈值，再加上10-6、10-5、10-4、0.001和1共5个P阈值）PRS。 Archetypal MPDs亚型在四个不同的P阈值下，基于SZBD的多基因风险评分与HC组有显著差异，这四个阈值分别是10-6（N SNPs = 300), 10-5（N SNPs = 565), 10
81400发布于 2020-11-21 - 来自专栏智能大数据分析
【机器学习-神经网络】循环神经网络
在前面两篇文章中，我们分别介绍了神经网络的基础概念和最简单的MLP，以及适用于图像处理的CNN。从中我们可以意识到，不同结构的神经网络具有不同的特点，在不同任务上具有自己的优势。 这就是本文要介绍的循环神经网络（recurrent neural networks，RNN）。 一、循环神经网络的基本原理 我们先从最简单的模型开始考虑。 因此，这样重复的网络结构可以用图2中的循环来表示，称为循环神经网络。 图2 RNN的循环表示 RNN的输入与输出并不一定要像上面展示的一样，在每一时刻都有一个输入样本和一个预测输出。
79600编辑于 2025-01-22 - 来自专栏全栈程序员必看
神经网络学习 之 BP神经网络
上一次我们讲了M-P模型，它实际上就是对单个神经元的一种建模，还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络，才能够具有学习、联想、记忆和模式识别的能力。 BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种非常常见的神经网络模型——反向传播(Back Propagation)神经网络。 ，如果输出层的第一个神经单元的输出值比第二个神经单元大，我们认为这个数据记录属于第一类，否则属于第二类。 ，隐含层有 p p p个神经元，输出层有 q q q个神经元。 由此，我们得到神经网络隐层神经元个数的选取原则是：在能够解决问题的前提下，再加上一两个神经元，以加快误差下降速度即可。 3.初始权值的选取 一般初始权值是取值在(−1,1)之间的随机数。
6.5K20编辑于 2022-09-01 - 来自专栏生信小驿站
黑箱方法-神经网络①人工神经网络
人工神经网络 人工神经网络的概念 人工神经网络（Artificial Neural Networks，ANN）是对一组输入信号和一组输出信号之间的关系进行建模，使用的模型来源于人类大脑对来自感觉输入的刺激是如何反应的理解 通过调整内部大量节点（神经元）之间相互连接的权重，从而达到处理信息的目的。 从广义上讲，人工神经网络是可以应用于几乎所有的学习任务的多功能学习方法：分类、数值预测甚至无监督的模式识别。 人工神经网络的构成与分类 常见的人工神经网就是这种三层人工神经网络模型，如果没有隐含层，那就是两层人工神经网络；如果有多层隐含层那就是多层人工神经网络。 小圆圈就是节点，相当于人脑的神经元。 这是我们主要使用的B-P神经网络模型就是典型的前馈式神经网络模型。 另外,由于层数和每一层的节点数都可以改变，多个结果可以同时进行建模，或者可以应用多个隐藏层（这种做法有时称为深度学习 (deep learning） 第二种是反馈式神经网络，这种神经网络的特点是层间节点的连接是双向的
1.1K30发布于 2018-08-27 - 来自专栏WOLFRAM
大脑、神经元、认知：计算神经科学
它包含大约 1 千亿个神经元，共同来处理信息，并按功能和结构细分为特定的区域。大脑解剖学、神经元的特征和认知图谱被用于表示功能组织的一些关键特性以及我们神经系统的处理能力。 我们新的神经科学内容将带给你大脑、神经元和认知的事实，让你有机会窥视这神奇的神经科学世界。 找到支配左手的神经： 使用 AnatomyPlot3D 函数进行立体可视化： 神经元特性 到目前为止，我们已经看过我们神经系统的宏观图片。现在让我们看看大脑的功能单位，神经元。 "神经元"实体类型可用的各种属性可用于单类神经元的物理、电生理和空间特征： 我们可以得到在特定大脑区域中发现的神经元类型的信息。 例如，我们可以得到海马神经元的列表，这与情绪状态、短期到长期记忆的转换和空间记忆的形成相关联： 收集更多的细节，神经元集合的列表，其轴突在海马的 CA1 神经纤维区域分叉： 神经元传输电信号以便彼此通信
92870发布于 2018-05-31 - 来自专栏生命科学
神经干细胞移植 “逆转” 神经损伤 - MedChemExpress
在神经退行性疾病中，特定的神经元亚群，例如多巴胺能和胆碱能神经元或运动神经元会逐渐退化，导致特定模式的神经系统功能障碍。传统药物治疗用于延缓疾病进展，不能使功能修复或组织再生[1]。 关于神经干细胞及其分化 神经干细胞 (NSCs) 被喻为中枢神经系统 (CNS) 的 “种子” 细胞，不同神经细胞系的产生起源于成体神经干细胞。 神经元(Neurons) 是神经系统结构和功能的基本单位，通过轴突和树突传递信号。典型的神经元由树突、细胞体、轴突 (包括轴突丘) 和突触前末端组成。神经元自身不能再生。 除了参与细胞通讯外，星形胶质细胞还能通过释放神经营养因子，如胶质细胞系衍生的神经营养因子 (GDNF)，以及降低神经元的兴奋中毒，发挥神经保护作用。 FGF-8诱导神经前体细胞 (iNPCs) 衍生多巴胺能神经元 (DA) 生成的关键因子。GDNF一种神经营养因子，能促进中脑多巴胺能神经元的存活分化，支持人多能干细胞来源的神经祖细胞向神经元分化。
73660编辑于 2022-12-23 - 来自专栏智能大数据分析
【机器学习-神经网络】卷积神经网络
本文继续讲解基于神经网络的模型。在MLP中，层与层的神经元之间两两连接，模拟了线性变换 \boldsymbol W\boldsymbol x+\boldsymbol b 。 事实上，用卷积进行图像处理的技术在神经网络之前就已经出现了，而神经网络将其威力进一步增强。 为了在图像上应用卷积，我们先把一维的卷积扩展到二维。 这一概念同样来源于神经科学，本义是指一个感觉神经元所支配的感受器在视网膜、皮肤等位置能感受到外界刺激的范围。 图6 最大池化 三、用卷积神经网络完成图像分类任务 下面，我们讲解如何用PyTorch实现一个卷积神经网络，并用它完成图像分类任务。该任务要求模型能识别输入图像中的主要物体的类别。 对于深度神经网络来说，其参数量非常庞大。然而，高质量的训练样本又非常稀缺，许多时候要依赖人工标注，费时费力，这使得神经网络的复杂度往往会超过数据的复杂度，从而发生过拟合的情况。
67500编辑于 2025-01-22 神经进化算法
问题在于，通过使用传统的深度学习中常见的梯度下降方法，我们试图以这样一种方式“解决”神经网络的权重问题，神经网络学习了系统的传递函数如何工作，即预测给定输入系统的输出，而不是试图找到一个策略。 我认为更正确的方法是忍受困难，并使用可以包含反馈和记忆元件的循环神经网络来进行基于任务的训练。这可能会造成用随机梯度下降(SGD)/反向传播来训练循环神经网络非常困难。 即使是最简单的神经进化算法（“传统神经进化”），没有多余的花里胡哨的普通算法，也许能够解决许多有趣的问题。 这个简单的算法做的是： 取一个特定的神经网络架构，前馈甚至递归，并使这些神经网络的N个（比如说100个）每个随机化取不同的权重。 另外，使用传统神经进化(CNE)复合循环神经网络结构相对简单。
1.6K100发布于 2018-02-05- 来自专栏脑电信号科研科普
Brain:多种神经发育障碍的共同神经基础
将网络神经科学应用于神经发育障碍在不同的发育障碍患者上，局部知觉区域和前额叶区域之间接收远程皮质神经元投射呈现网络级减少。与神经发育障碍相关的缺陷范围从学习障碍到更广泛的执行功能、社交技能或智力障碍。 从神经功能系统的角度解释特定领域神经发育障碍的研究，往往忽略了已知的跨大脑系统的动态交互性。利用神经影像数据的大脑网络，其非随机和独特的组织原则可以表征正常和紊乱的大脑功能的神经基质。 因此，核心-外围组织是一种可用于理解神经精神疾病和神经发育障碍的最佳模型。 然而，这种通过单一机械核心缺陷来解释特定神经发育障碍的尝试并未成功。因此，特定神经发育障碍是由封闭的神经区域或回路支持的。 在网络神经科学和核心-外围组织的指导原则下，概念化神经发育障碍增强了这些想法的潜力，以支持学习者的全部能力，而不仅仅是那些患有神经发育障碍的人。
44510编辑于 2023-06-28 - 来自专栏算法进阶
从神经元谈到深度神经网络
科学家发现，原因在于人体的神经网络，而神经网络的基本组成就是神经元： 1、外部刺激通过神经元的神经末梢，转化为电信号，传导到神经元。 2、神经元的树突接收电信号，由神经元处理是否达到激活阈值再输出兴奋或者抑制电信号，最后由轴突将信号传递给其它细胞。 3、无数神经元构成神经中枢。神经中枢综合各种信号，做出判断。 二、神经元 既然智慧的基础是神经元，而正因为神经元这些特点才使大脑具有强大的 “运算及决策的能力”，科学家以此为原理发明了人工神经元数学模型，并以神经元为基础而组合成人工神经网络模型。 （注：下文谈到的神经元都特指人工神经元） 如上图就是人工神经元的基本结构。 四、逻辑回归到深度神经网络 基于前面的介绍可以知道，神经网络也就是神经元按层次连接而成的网络，逻辑回归是单层的神经网络，当我们给仅有输入层及输出层的单层神经网络中间接入至少一层的隐藏层，也就是深度神经网络了
66140编辑于 2022-06-01 - 来自专栏CV学习史
VGG 论文研读
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 论文地址 摘要 研究主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响 ，结果表明16-19层的网络可以使现有设置的网络性能得到显著提高 引言 为得到更好的准确率，在本文中，研究着眼于卷积神经网络中的深度问题。 3x3卷积核 ConvNet配置 为了公平衡量增加卷积深度对网络的影响，所有卷积层的设置均使用与Ciresan（2011）和Krizhevsky（2012）相同的设计原则 架构 在整个训练中，卷积神经网络的输入为固定的 批次大小为256，动量为0.9，通过权值衰减（L2惩罚因子设置为5*10-4）和对前两个全连接层进行dropout（比率0.5）实现正则化。 给一个卷积神经网络，首先用S=256训练。
81120发布于 2019-09-10
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