生物化学笔记：神经生物学概论04 视觉通路简介&视网膜&视网膜神经细胞&大小神经节细胞(视错觉)

于 2025-04-29 20:08:09 发布
阅读量225 收藏
点赞数 1
分类专栏： 力学+地球物理科学+化学 文章标签： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ResumeProject/article/details/147522403
版权

视觉通路简介

在这里插入图片描述
在这里插入图片描述

  • 神经节细胞的胞体构成一明确的解剖层次，其外邻神经纤维层，内接内丛状层，该层在鼻侧厚约10～20μm，最厚在黄斑区约60～80μm。 全部细胞数约为120万个(1000000左右)。 每个细胞有一轴突，所有的轴突构成了人眼的视神经。 每一个节细胞约与100个视杆细胞相对应，每一个节细胞与4～6万个视锥细胞相对应。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

视网膜

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

视网膜神经细胞

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

大小神经节细胞

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天
“365天深度学习训练营”报名进行中～
02-27 2万+
文章目录一、前言二、RNN是什么三、准备工作1.设置GPU2.加载数据四、数据预处理1.归一化2.设置测试集训练集五、构建模型六、激活模型七、训练模型八、结果可视化1.绘制loss图2.预测3.评估 一、前言 今天是第9天，我们将开始RNN系列，完成股票开盘价格的预测，最后的R2可达到0.72，CNN系列后续我也会穿插更新 我的环境： 语言环境：Python3.6.5 编译器：jupyter notebook 深度学习环境：TensorFlow2.4.1 往期精彩内容： 深度学习100例-卷积神经网络
TensorFlow笔记（8） LeNet-5卷积神经网络
氢键H-H
06-28 1万+
卷积神经网络分类问题、数据读取、构建模型、训练模型、评估模型、模型预测
002-FFN(前馈神经网络）和MLP（多层感知器）的介绍及对比
九年义务教育漏网之鱼的博客
07-20 8635
FFN(前馈神经网络）与MLP(多层感知器）的介绍与对比
深度学习笔记：用卷积神经网络进行MNIST手写数字识别
chenxy_bwave的专栏
12-14 5817
上一篇我们用全连接层(Dense layer)实现了一个分类器用于MNIST手写数字识别。但是由于MNIST的数据样本是28x28的图像，所以更适合于用卷积神经网络来实现它的识别任务。本文就来介绍如何构建一个简单的卷积神经网络用于MNIST手写数字识别。
【笔记】识别手写数字神经网络
海到无边天作岸 山登绝顶我为峰
03-30 5163
Codes 主要有三个文件： my_layer.py my_function.py my_train.py my_function.py import numpy as np from PIL import Image def sigmoid(x): return 1 / (1 + np.exp(-x)) def softmax(x): if x.ndim == 2: x = x.T x = x - np.max(x, axis=0)
【brainpy学习笔记】神经元的电导模型——以HH模型为例
Fellyhosn的博客
04-11 5424
以经典的Hodgkin-Huxley模型为例，介绍神经元电导模型的brainpy实现。
深度学习入门笔记（四）：神经网络
逐梦er的博客
07-09 7434
上一个笔记我们学习了感知机。对于复杂的函数，感知机也隐含着能够表示它的可能性。即便是计算机进行的复杂处理，感知机(理论上)也可以将其表示出来。坏消息是，设定权重的工作，即确定合适的、能符合预期的输人与输出的权重，现在还是由人工进行的。神经网络的出现就是为了解决刚才的坏消息。具体地讲，神经网络的一个重要性质是它可以**自动地从数据中学习到合适的权重参数**。本章中，我们会先介绍神经网络的概要，然后重点关注神经网络进行识别时的处理。在下一章中，我们将了解如何从数据中学习权重参数。
DL学习笔记：穿戴设备上的轻量级人体活动识别方法
最新发布
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！想进粉丝福利群及免费送书群，直接私信我拉你。交流学习、商务合作：https://bbs.csdn.net/topics/614347534
03-22 2万+
论文的创新不仅在于技术突破，更在于重新定义了 HAR 的设计理念：效率优先：在保证准确率的前提下，优先考虑计算和内存效率。毕竟，可穿戴设备的用户更关心续航和响应速度。单传感器的哲学：少即是多。通过优化算法，减少对硬件的依赖，这对普及低成本可穿戴设备至关重要。它没有盲目追求更高的准确率，而是在效率和性能之间找到了黄金平衡点。用简单的统计方法替代复杂模型，用剪枝量化让 CNN “瘦身”，这些看似 “妥协” 的选择，实则是对可穿戴设备特性的深刻理解。
深度学习笔记(四):神经网络之链式法则详解
源的博客
01-28 3869
简单的说链式法则就是原本y对x求偏导，但是由于过程较为复杂，我们引入了一个中间层z，先利用y对z求偏导，在乘上z对x求偏导，这样会使整个计算更为简单。 作用:通过链式法则我们就可以把最后一层的误差，一层一层的输出到中间层上面去，从而得到中间层的梯度信息，通过梯度信息我们就能很好的更新权值，从而达到更好的优化效果。 从上面可以知道E为最右边，当E对w1做偏微分，可以更新w1；同理E对w2做偏微分，就更新w2. 从X到E之间我们经历了O1和O2，通过链式法则，从一个复杂的偏微分，就变成了三个简单的偏微分求解，
【神经网络】学习笔记三—LSTM简介篇
杨的博客
04-24 4775
1. RNN和LSTM结构对比 RNN： LSTM： 其中的符号： 注意：上面的四个黄框，每一个都是普通的神经网络，激活函数就是上面标注的。 通过对比可以看出，RNN的一个cell中只有一个神经网络，而LSTM的一个cell中有4个神经网络，故一个LSTM cell的参数是一个RNN cell参数的四倍。 从上图也可以看出，原来的一个RNN cell只需要存储一个隐藏层状态h，而一个LSTM cell需要存储两个状态c和h。 LSTM比RNN多了一个细胞状态，就是最上面一条
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
Morganfs的博客
04-12 11万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
深度学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 32万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
学习笔记：深度学习（2）——BP神经网络
Morganfs的博客
04-11 1万+
梳理BP神经网络、MLP的理论基础和算法推导。
卷积神经网络（CNN）自学笔记1：全连接层
yuyu_297的博客
05-19 2万+
全连接层（fully connected layers，FC）是神经网络的一种基本层类型，通常位于网络的最后几层，用于分类任务的输出层。全连接层的主要特点是每一个神经元与前一层的每一个神经元都相连接，这意味着每个输入都影响每个输出。在全连接层中，输入向量通过一个权重矩阵进行线性变换，然后加上一个偏置项，最后通过激活函数（如ReLU、Sigmoid、Tanh等）进行非线性变换。公式表达：其中，为输出向量，为激活函数，为权重矩阵，为偏置向量。
计算机视觉框架OpenMMLab（一）：计算机视觉基础
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-02 5905
前言：本系列主要对OpenMMlab开源框架进行学习，文章分为计算机视觉基础、图像分类、图像检测、图像分割等，适合人工智能领域入门及爱好者学习，可以快速了解OpenMMlab框架，为后续实战学习打下基础。大致可以分为这么几类：图像识别、目标检测、图像分割、图像增强、图像生成、视觉感知、人脸分类识别、姿态估计、立体视觉等。
工程流体力学笔记2(描述流体运动的两种方法：拉格朗日法和欧拉法)
ResumeProject的博客
10-16 1万+
拉格朗日法：最普遍的方法 欧拉法：随体坐标 物质运动的普遍原理 ：质量守恒定律 牛顿第二定律 能量守恒定律 描述流体运动的两种方法 空间点不同时刻由不同质点占据 所以空间点的物理量是占据该点的物理量 拉格朗日方法： 四台摄像机 欧拉方法： 对整个空间连续拍照 拉格朗日法自变量是初始位置 同时和时间有关 可建立位置方程 在求质点速度时 由于位置abc是不发生变化的 所以全微分可以写为偏微分 位置只随时间变化 加速度 位置对时间的二阶偏导 我们得到速度加速度的表达式后就可以把质点的其他参数B随着时间的
生物化学 核磁共振 氢谱 n+1定律 邻碳耦合 同碳耦合
ResumeProject的博客
12-04 9553
生物化学 核磁共振 氢谱 n+1定律 邻碳耦合 同碳耦合
工程流体力学笔记暂记8(伯努利方程的推导)
ResumeProject的博客
10-18 8460
伯努利方程是能量守恒与转化定律在流体力学中的体现 有广泛的应用 推导： 侧面与Z方向的夹角为ceita 由于DZ非常小 所以及侧面的压强为p+0.5dp 略去高阶小项可化为压强的全微分 重力场中的理想流体的定常流动 在微元流管 微元流管的极限为流线 对于这一方程 当位置不变（dz为零）dp dv异号 即速度增加 压强减小 令一方面 当速度保持不变（dv为零）dp dz 也是异号 以上就是 理想流体一维定常流动的运动微分方程 对其进行积分就得到了广义伯努利方程 A 方程表示的是物理意义 B 方程表示的是
工程流体力学笔记暂记29 (局部损失系数)
ResumeProject的博客
11-25 6495
在计算局部损失时最重要的是确定局部损失系数，在工程中局部损失系数大部分是由实验得到的，只有一种是由理论分析得到的 管道截面突然扩大的局部损失系数 如图在截面突然扩大的区域 速度不会突然的增加 流体沿流线方向逐渐增加 因此在jianhuan处会产生漩涡 由于我们所取的两截面的间距无限小 因此可以忽略沿程损失 为了确定两截面的压强差 我们取一控制体 建立该控制体的动量方程 从而 因为水平问题不考虑重力 p表示的是间环处的压强 V1V2关系可由不可压流体的连续方程的到 V1的平方/2g表示的是速度水头
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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