- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
69210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 10-5 精确率和召回率的平衡
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。在具体编程中，sklearn没有直接能够传入threshold阈值的函数，但是可以使用算法的decision_function函数计算出样本的score值，然后转换为布尔向量，进而转换为元素为0,1的整型向量，整型向量即为算法在当前阈值下预测的样本类别。
4.6K51发布于 2020-04-26 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.3K30发布于 2020-08-17 - 来自专栏气象学家
利用深度学习估计再分析数据集中的大气重力波参数
通过利用29年的大气再分析数据集训练卷积神经网络，在合理的计算成本下，将大尺度的输入数据很好地降尺度为细尺度的重力波参数。 重力波在推动和维持全球环流方面发挥着重要作用。 为此，在29年的再分析数据集(JRA-55和DSJRA-55)上训练了一个深度卷积神经网络，并保留了最后5年的数据进行评估。结果表明，可以在合理的计算成本下估计重力波的细尺度动量通量分布。 特别是在冬季重力波较强的时候，最大动量通量和特征区带文数的中位数RMSE分别为0.06-0.13mPa和1.0×10-5。
83010发布于 2020-10-09 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.6K20发布于 2018-09-11 - 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10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
84510发布于 2020-09-15 - 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
通过使用 ECLIPSER 检测眼球前节、视网膜、视神经头（ONH）和周围后部组织中 POAG 和眼压共定位基因的细胞类型特异性富集，我们确定了 POAG 的已知和不太确定的致病细胞类型、 包括常规和非常规流出通路中的成纤维细胞 、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。 ——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。 与 POAG 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 、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 - 来自专栏机器学习与统计学
神经网络完美解决“三体问题”，三体人有救了
神经网络完美解决三体计算难题 爱丁堡大学的Enter Philip Breen团队选择通过训练神经网络来解决这一问题。 可喜的是，他们的神经网络以固定的计算成本提供了精确的解决方案，其速度比最先进的常规方法快了近1亿倍。 首先，为训练神经网络，他们需要一个利用最先进的方法计算出三体问题的解所组成的数据库。 其中9900个算例作为神经网络的训练库，剩余100个用于验证。最后，用5000个全新算例测试神经网络，并将预测结果与利用Brutus方法得到的计算结果进行比对。 结果十分有趣！ Breen团队表示，“我们已经证明深度人工神经网络可以在固定时间内快速且准确的解决三体问题这一计算难题。” 更重要的是，团队将能量消耗情况引入了神经网络预测能力的测试中。 几次调整后，神经网络符合节能条件，且误差仅仅为10-5。 这一结果令人惊叹。且具有极大的潜力。Breen团队特别指出神经网络甚至能够解决Brutus方法无法计算的三体问题。
96620发布于 2019-11-07 - 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 - 来自专栏量子位
牛顿棺材板快盖不住了：用深度神经网络解决三体问题，提速一亿倍
但遇事不决，用神经网络总是没错的。 最近来自爱丁堡大学、剑桥大学的数学家们，用神经网络来求解三体问题，速度比之前的求解器快一亿倍，而且误差只有十万分之一。 神经网络可不是瞎蒙 既然用传统的数值解法难度很大，不妨试一试神经网络。 不过最近神经网络的跨界比较多，有人用来预测余震，有人用来诊断心脏病，最后发现都不靠谱。 也就是说，用神经网络可以找到三位问题中物体运动方程的近似解。 作者使用了由128个节点、10个隐藏层组成的前馈神经网络。 在每个模拟中，通过Brutus积分运动方程求解，与神经网络的结果进行对照。 通过输入时间t和粒子的位置坐标，以上的神经网络返回其他粒子在该时刻的坐标，从而实现了近似求解三体问题。 而且神经网络在求解问题的时候似乎没有遵循能量守恒定律，最后靠作者引入了一个“能量投影层”，才实现了误差10-5的结果。 ? 但是这种方法为我们快速低成本计算航天器轨道提供了一种解决思路。
49610发布于 2019-10-31 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。 最后我们发现，使性能出现大幅提升的是设置是：每层的学习率为 10-5，使用 Adam 优化器。 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。
3.5K60发布于 2018-05-10 - 来自专栏大数据文摘
AI重回16世纪变身哥白尼！重新推导“日心说”，还将助力解决量子力学矛盾
传统的神经网络通过收集和分析庞大的数据（如图像和声音）来自我训练。通过大数据，神经网络可以总结出某类型事物特征的规律，例如，用“四只腿”和“尖耳朵”来识别猫。 这些特征在其数学“节点”（人造神经元）上被编码。 但是，神经网络无法自动将这些信息提炼成几个易于解释的规则，它是一个黑匣子，以一种无法预测且难以解释的方式，将其获得的知识分布在成千上万个结点上。 Breen团队利用神经网络进行的三体实验 其中9900个算例作为神经网络的训练库，剩余100个用于验证。 Breen团队表示，“我们已经证明深度人工神经网络可以在固定时间内快速且准确的解决三体问题这一计算难题。” 更重要的是，团队将能量消耗情况引入了神经网络预测能力的测试中。 几次调整后，神经网络符合节能条件，且误差仅仅为10-5。 这一结果令人惊叹。且具有极大的潜力。Breen团队特别指出神经网络甚至能够解决Brutus方法无法计算的三体问题。
69410发布于 2019-11-13 - 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。 2.3 与亚型相关的多基因风险评分 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-
81400发布于 2020-11-21 - 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。 2.3 与亚型相关的多基因风险评分 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-
57720发布于 2020-11-13 - 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
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