查看当前显卡用户占用情况

为什么需要SpaIM？空间转录组（ST）技术能告诉我们“基因在组织中的位置”，但它有两个大问题：这就像拍了一张模糊的地图，很多细节都缺失。SpaIM来了！SpaIM是一种基于**风格迁移（style transfer）的AI模型，它能把单细胞RNA测序（scRNA-seq）**的丰富信息“迁移”到ST数据中，补全那些缺失的基因表达。简单来说，它能帮你把模糊的地图变成高清地图！它是怎么做到的？Spa

轻量化U-Net模型Lite-UNet，细胞定位的目标是精确识别细胞的空间坐标。这项任务一直面临细胞之间的颜色变化大、分布不均匀和边界重叠等挑战。此外，在实际的细胞定位场景中，现有的最先进方法存在高计算成本和缓慢的推理时间，严重降低了计算机辅助的效率。为了解决上述问题，提出了一种轻量级高效的细胞定位模型，名为Lite-UNet。具体来说，Lite-UNet包括三个关键模块。首先，我们引入了基于差异

先放论文：图神经网络(GCN):https://arxiv.org/pdf/1606.09375.pdfhttps://arxiv.org/pdf/1606.09375.pdf超图神经网络(HGN):https://arxiv.org/pdf/1809.09401.pdfhttps://arxiv.org/pdf/1809.09401.pdf两者区别总结：图卷积神经网络是卷积神经网络在图域上的自然

贪心算法思路两步走：1、该问题的最优解是什么？2、按照什么原则将其分为子问题？3、子问题的最优解是什么？使用贪心算法的前提：1、原问题复杂度过高；2、求全局最优解的数学模型难以建立；3、求全局最优解的计算量过大；4、没有太大必要一定要求出全局最优解，“比较优”就可以。.........

很久以前看吴恩达老师的视频和西瓜书时用jupyter写的，今天想起来就把它转到这里，真的挺方便。贝叶斯决策论：所有相关概率都已知的理想情形下，基于这些概率和误判损失来选择最优的类别标记。决策目标：最小化分类错误率，即对每个样本选择能使后验概率 P( c | x )最大的类别 c 标记。现实中，将求后验概率P(c|x)的问题转变为求先验概率P©和条件概率P(x|c)。P(c∣x)=P(x,c)...

看了很多transformer的讲解，有人从RNN开始讲起，有人从自注意力开始讲起，但是很少有人从CV开始讲。所以本文收集了一些从CV角度出发来理解transformer的文章。Transformer在CV界火的原因是？_idol24的博客-CSDN博客https://www.jianshu.com/p/eb199b0fc98c要正统学习还是去跟李沐大佬：台大李宏毅21年机器学习课程 self-a

看了很多transformer的讲解，有人从RNN开始讲起，有人从自注意力开始讲起，但是很少有人从CV开始讲。所以本文收集了一些从CV角度出发来理解transformer的文章。Transformer在CV界火的原因是？_idol24的博客-CSDN博客https://www.jianshu.com/p/eb199b0fc98c要正统学习还是去跟李沐大佬：台大李宏毅21年机器学习课程 self-a

在上一讲中我们介绍了视觉SLAM十四讲的前3讲：基本框架和刚体运动的描述方式（R矩阵，T矩阵）。面临的问题：当我们对刚体的运动进行表示了之后，接下来要解决的问题是对得到的表示进行估计和优化。因为在 SLAM 中位姿是未知的，而我们需要解决什么样的相机位姿最符合当前观测数据这样的问题。一种典型的方式是把它构建成一个优化问题，求解最优的 R; t，使得误差最小化。解决途径（李群李代数的引入）但...

提出的目的：在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。这些特征值并不是连续的，而是离散的，无序的。于是，我们需要对其进行特征数字化。具体含义：One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类