斯人若彩虹，遇上方知有！

1、nn.PReLU()nn.PReLU( num_parameters: int = 1, init: float = 0.25, device=None, dtype=None,)PReLU的公式：或者：其中a代表的是可学习的参数：（1）当不带参数时（nn.PReLU()），PReLU就使用一个a计算所有通道，即所有通道对应同一个a；（2）当有参数时（nn.PReLU(nchannels)），PReLU在每个通道使用不同的a；通道d

由于对移动设备和自动驾驶的需求不断增长，实时语义分割在计算机视觉中发挥着越来越重要的作用。 因此，在性能、模型大小和推理速度之间取得良好的折衷是非常重要的。 在这篇论文中提出了一个 Channel-wise Feature Pyramid (CFP) 模块来平衡这些因素。 基于 CFP 模块，构建了用于实时语义分割的 CFPNet，它应用一系列扩张卷积通道来提取有效特征。 Cityscapes 和 CamVid 数据集的实验表明，所提出的 CFPNet 实现了这些因素的有效组合。

蛋白质结构预测难？？？确实很难。。。。。快速批量化生成RoseTTAFold和alphafold2的输入序列和输出文件！

基于MAE，提出了一种多模式(RGB、Depth和Semantic)且多任务的MAE！

MAE如何和ViT结合并用自监督学习

文献：Defining HLA-II Ligand Processing and Binding Rules with Mass Spectrometry Enhances Cancer Epitope Prediction文献地址：Defining HLA-II Ligand Processing and Binding Rules with Mass Spectrometry Enhances Cancer Epitope Prediction尽管它们在指导 T 细胞反应中发挥作用，但 HLA-

1、摘要Transformer在NLP领域取得不错表现，如何更好地处理图像成为行业所面临地问题。图像中的像素与文本中的单词相比分辨率较高，这就给从语言到视觉的转换带来了挑战。为了解决这些差异，我们提出了一种分层变换器，其表示是用移位窗口计算的。移位窗口方案将自我注意计算限制在非重叠的局部窗口上，同时允许跨窗口连接，从而提高了效率。...

1、Abstract and backgroundTransformer架构已经成为自然语言处理中取得不错效果，但它在计算机视觉中的应用仍然有限。在计算机视觉领域，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结构。本文摆脱了CNN的束缚，直接将图像分成块序列然后输入到Transformer中执行图像分类任务。将一幅图像分割为多个patch（图像块），并将这些patch的线性嵌入序列作为Transformer的输入。图像块与NLP中的token（单词）的...

1、Attention is all you need?1.1、摘要当时的序列转换模型大多是基于递归或卷积神经网络，包括编码器和解码器。通过注意力机制连接编码器和解码器取得最好的性能。本文提出一种相对简单的Transformer，完全基于注意机制，完全不需要循环和卷积。（完全依赖于一种注意机制来表示输入和输出之间的全局依赖关系）并且在两个机器翻译任务上取得不错的效果，同时支持并行、所需的训练时间显著降低。经过时间的证明Transformer还可以推广到其他任务。1.2、自注意力机...

如何在线使用AplhaFold2、RoseTTAFold?

AttributeError: module 'tensorflow.keras.backend' has no attribute 'set_session'