诺贝尔医学奖得主曾被老师骂:笨到不该学科学

诺贝尔医学奖得主曾被老师骂:笨到不该学科学

2012年10月10日05:30   四川新闻网-成都晚报  微博

  英国人约翰·格登因细胞研究获得今年的诺贝尔医学奖。不过,英国《每日电讯报》8日爆料称,格登在求学期间,曾被老师称为“笨得完全不应该学习自然科学”。

  曾被中学老师嘲讽

  据报道,15岁时,在英国著名的贵族中学伊顿公学上学的格登学习成绩很不理想,生物学的成绩在同年级的250名学生中排名垫底,其他自然科学类学科的成绩也都处于下游。

  获悉自己得诺奖的消息后,格登透露,当年伊顿公学的成绩单如今还放在他任职的剑桥大学下属格登研究所办公桌上。格登说,这张成绩单是他唯一装在框内摆放起来的东西,因为这让他想起一名中学老师对他的嘲讽,宣称他如果在大学选择自然科学专业,将“完全是一种浪费时间的做法”。

  据格登介绍,这名老师名叫加德姆,其实并不是一名真正的老师,而是一个博物馆馆长,被校方雇用来教那些成绩最差的学生。“他当时知道我对自然科学感兴趣的时候,嘲笑我‘这是个非常荒唐的想法,因为你不可能在自然科学方面取得任何成绩。’”

  格登说,办公桌上的成绩单,让他在“遭遇经常发生的类似实验失败的问题时,会想到自己或许还做得不够好,那个老师说的或许有道理。 ”

  开创性意义的论文

  在收到伊顿公学的那份成绩单后,格登将自己的注意力转移到了古典文学方面,随后获得了在牛津大学基督堂学院学习的机会。不过,出于一些原因,格登入学后将专业换成了动物学。

  直到在牛津大学攻读硕士学位的时候,格登才发表了一篇在基因学领域具有开创性意义的研究论文,首次指出细胞的特化机能可以逆转。这一认定挑战生物学界先前所持有的“信条”,即对应于特定生物机能的特化细胞发育过程不可逆。

  直到10年后,格登提出的这个观点才得到普遍接受。而这个观点最终直接引领英国胚胎学家伊恩·威尔穆特在1996年成功培育出了世界上第一只体细胞克隆羊“多利”。

  综合新华社、中广、新闻晚报

深度习是机器习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行习和模式识别。深度习模型能够习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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