山东大学DrugLLM开发团队 项目实训（十一）

最新推荐文章于 2024-08-12 23:29:58 发布
最新推荐文章于 2024-08-12 23:29:58 发布
阅读量86 收藏
点赞数 2
分类专栏： DrugLLM 文章标签： 深度学习 前端 spring boot
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/silence_li_/article/details/139917497
版权

平台搭建进度：

1.前端主页界面完成

2.后端用户管理完成

3.模型端Chat使用flask函数调用成功，接下来考虑flask和springboot的通信

4.设计分子生成、综合分析等平台界面及功能

silence_li_
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
毕设&课设&项目&实训-山大树洞 SDU Web 技术 小组课程作业 前端部分.zip
02-03
可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【附加价值】： 项目具有较高的学习借鉴价值，也可直接拿来修改复刻。 对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，...
山东科技大学C语言实训项目 万年历 附带实训报告
01-19
【山东科技大学C语言实训项目——万年历】 在IT领域，C语言是一种基础且重要的编程语言，被广泛用于系统开发、软件工程以及嵌入式系统等。本实训项目旨在通过编写一个“万年历”程序，让学生深入理解和掌握C语言的...
山东大学光电工程实训-红外测温枪装调实践训练实验报告与总结
07-07
【山东大学光电工程实训-红外测温枪装调实践训练实验报告与总结】 红外测温枪装调实践训练是光电工程领域的一项重要实践教学活动，旨在让学生深入理解红外测温技术及其应用。在这个实训中，学生不仅要掌握红外测温...
齐鲁软件学院2020级暑假项目实训要求
09-17
齐鲁软件学院2020级暑假项目实训是一门针对学生未来职业发展的实践课程，旨在通过实际的项目开发，让学生掌握软件工程的思维方式和实际操作技能。实训分为创新项目实训和企业项目实训两种形式，学生可自主选择参与...
山东科技大学C++实训项目 飞机大战 附带实训报告
01-19
【标签】"山东科技大学 C++实训 飞机大战 实训报告"进一步明确了关键信息，即这个项目是由山东科技大学组织的，以C++作为主要编程工具，实训项目的核心是开发“飞机大战”游戏，并且整个过程伴随着一份详尽的实训...
[Pytorch案例实践009]基于卷积神经网络和通道注意力机制的草莓生长阶段分类实战
2403_83044722的博客
08-10 997
基于卷积神经网络和空间注意力机制的图像分类实战
(BO)Bayes-CNN多变量时序预测 基于贝叶斯算法-卷积神经网络多变量时序预测（多输入单输出）Matlab代码
small_ccb的博客
08-08 310
Bayes-CNN多变量时序预测 基于贝叶斯算法-卷积神经网络多变量时序预测（多输入单输出）Matlab代码。2️⃣、评价指标包括:R2、MAE、MSE、RMSE等，图很多，符合您的需要。4️⃣、赠送测试数据集，可以直接运行源程序。替换你的数据即可用 适合新手小白。1️⃣、运行环境要求MATLAB版本为2018b及其以上。数据格式为excel！3️⃣、代码中文注释清晰，质量极高。需要其他的都可以定制！
深度学习 —— 个人学习笔记14（ResNet、DenseNet）
Springer的博客
08-06 424
本文章为个人学习使用，版面观感若有不适请谅解，文中知识仅代表个人观点，若出现错误，欢迎各位批评指正。文中部分知识参考：B 站 —— 跟李沐学AI；
循环神经网络六-Pytorch中的序列化器
m0_73426548的博客
08-09 548
以sigmoid为例，在反向传播的过程中，在值为0，1的时候，梯度接近0，导致参数被更新的幅度很小，训练速度很漫，但是如果对数据进行归一化处理，将数据压缩在[0-1]之间，从而让参数更新的幅度变大，提高训练速度。这是一个有序的容器，其中传入的是构造器类（各种用来处理输入数据的类），最终输入数据会被sequential中的构造类依次执行。翻译成中文就是批量规范化，就是在每个样本训练的过程中，对参数进行归一化处理，从而达到加快训练速度的效果。3.可理解为训练后的模型是多个模型组合之后的结果，类似随机森林。
《乳腺密度高的女性中，使用AI辅助的乳腺X线筛查与补充筛查超声的比较研究》| 文献速递-基于深度学习的乳房、前列腺疾病诊断系统
weixin_38594676的博客
08-12 517
与单独乳腺X线检查相比，AI辅助乳腺X线检查具有更高的特异性（95.3% [95% CI: 94.7, 95.8], P = .003）和更低的异常解释率（AIR）（5.0% [95% CI: 4.5, 5.6], P = .004），而单独乳腺X线检查的特异性为94.3% [95% CI: 93.6, 94.8]，AIR为6.0% [95% CI: 5.4, 6.7]。尽管AI提高了乳腺X线检查解读的特异性，但乳腺X线检查加补充超声能够检测出更多未被AI辅助乳腺X线检查发现的淋巴结阴性早期乳腺癌。
【深度学习】【语音】TTS，Matcha-TTS，测试效果，训练中文，chinese
q742971636的博客
08-08 166
即使使用较小的数据集（特别是如果这是一个录音棚录制的朗读语料库），也可以有效。然而，在这种情况下，微调通常会比从头开始训练效果更好，因此，你可以先在更大的数据集上进行训练，然后对你的特定数据集进行微调。一般来说，我更倾向于将所有音频文件重新采样到 22050 采样率，而不是更改音频参数，因为这样可以解决寻找不同声码器的问题。（同样，我没有在大多数其他数据集上进行训练的经验，但你可以在这里更改音素化语言。中添加的步骤为你的数据集生成均值和标准差（以便更好的标准化）。的默认值，并覆盖你特定数据集所需的部分。
【论文笔记】Dual-Balancing for Multi-Task Learning
最新发布
xhyu61的博客
08-12 756
Милашка♥ ——《不时轻声地以俄语遮羞的邻座艾莉同学》艾莉莎·米哈伊罗夫纳·九条
深度学习与图像修复：ADetailer插件在Stable Diffusion中的应用
Why_does_it_work的博客
08-06 187
我们可以在这里进行下载，After Detailer插件的主界面设计简洁直观，为用户提供了便捷的操作体验。该插件具备强大的多通道处理能力，能够同时在一张照片中对脸部、手部等多个区域进行精细修复，极大地提升了图片处理的效率和灵活性。启用After Detailer，只需轻轻一勾，即可轻松开启您的图片修复之旅。在模型选择方面，After Detailer提供了丰富多样的模型选项，以满足不同场景下的修复需求。尤其是脸部修复功能，其效果堪称完美，赢得了用户的一致好评。
【深度学习】卷积神经网络（CNN）简介
欢迎拜读我的作品，喜欢的领域请给我留言
08-11 626
自 20 世纪 50 年代以来，人工智能研究人员一直在寻求开发能够理解视觉数据的系统。这一努力催生了计算机视觉领域。2012 年，多伦多大学的研究人员开发出 AlexNet，这是一个人工智能模型，其性能远远优于以前的图像识别算法，这是一个重大突破。AlexNet 由 Alex Krizhevsky 创建，以85%的准确率赢得了 2012 年 ImageNet 竞赛，远远超过亚军的74%。这一成功是由 CNN 推动的，这是一种模仿人类视觉的神经网络。
深度学习-----------------多个输入和输出通道
Einstein·Jun
08-12 830
①输入通道数是卷积层的超参数。②每个输入通道都有独立的二维卷积核，所有通道结果相加得到一个输出通道结果。③每个输出通道有独立的三维卷积核。
深度学习 - 数据存储形式对比(pkl/CSV/JSON等)
weixin_47552266的博客
08-09 720
在讨论深度学习中 .pkl 格式与其他常见文件格式（如 CSV、JSON、HDF5、Parquet 等）的区别时，重点可以放在它们如何处理数据的序列化、存储和读取。这些区别直接影响到文件格式的性能、存储效率和使用场景。
AI融合新突破：CNN与Transformer的强强联合！
m0_73122726的博客
08-05 465
同时，Transformer和CNN 被用作两个分支的编码器以捕获局部和全局特征。1）提出了ParaTransCNN网络，一个U形的医学图像分割架构，融合的CNN和Transformer组成的并行编码器。3）提出了一种新的融合模块，它将来自两个分支的信息进行组合和聚合，以获得最终的深度估计的全面表示，同时应用通道和空间注意来增强我们两个分支网络的表示能力。2）开发了一种有效的特征融合机制，名为相关加权融合（cwF），以协同整合由CNN和Transformer学习的局部和全局上下文特征，有效提高准确度。
循环神经网络五-使用LSTM完成文本情感分类
m0_73426548的博客
08-09 259
2.构建dataset的过程，将数据转化为2分类，前面是十分类。pos类为1，neg为0，因为25000个要本做十分类数据量太小了。在前面使用word embedding去实现了文本情感分类。那么现在在这个模型中添加上LSTM层，为了达到更好的效果，做一下修改。3.在实例化LSTM的时候，使用dropout=0.5，在模型评估过程中，dropout自动会为0。二.完成训练和测试代码。
利用活动区域斑块的深度学习推进太阳耀斑预测
u014546828的博客
08-09 1027
其次，在±30°、±60°、±90°范围内的AR斑块上，候选模型MobileNet实现了CSS=0.51（TSS=0.60，HSS=0.44）、CSS=0.51（TSS=0.59，HSS=0.44）和CSS=0.48（TSS=0.56，HSS=0.40）。太阳耀斑是太空天气中一种重要现象，指的是太阳突然而强烈地释放出辐射。此外，在接近边缘区域即±60°至±90°之间展示了发布给予AR区域更广泛应用范围耀斑预报的能力,CSS=0.39（Tss=0.48，Hss=0.32)。
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