... 2023-01-12 20:00 .. 可以实现育种大数据的高效整合与利用,将助力深度学习在全基因组选择中的应用,为智能设计育种及平台构建提供有效工具。
相关研究成果发表在《分子植物(MolecularPlant)》上。
全基因组选择作为新一代育种技术,通过构建预测模型,根据基因组估计育种值进行早期个体的预测和选择,从而缩短育种世代间隔,加快育种进程,节约成本,推动现代育种向精准化和高效化方向发展。
统计模型作为全基因组选择的核心,极大地影响了全基因组预测的准确度和效率。
传统预测方法基于线性回归模型,难以捕捉基因型和表型间的复杂关系。
相较于传统模型,非线性模型(如深度网络神经)具备分析复杂非加性效应的能力,人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机,深度学习算法的优化将会提高全基因组选择的预测能力。
该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料,通 .. UfqiNews ↓
4
... 10-11 15:05 , 215 , 226 ..
3.2 受限玻尔兹曼机所谓“受限玻尔兹曼机”(RBM)就是对“玻尔兹曼机”(BM)进行简化,使玻尔兹曼机更容易更加简单使用,原本玻尔兹曼机的可见元和隐元之间是全连接的,而且隐元和隐元之间也是全连接的,这样就增加了计算量和计算难度.
“受限玻尔兹曼机”(RBM)同样具有一个可见层,一个隐层,但层内无连接,层与层之间全连接,节点变量仍然取值为0或1,是一个二分图.
也就是将“玻尔兹曼机”(BM)的层内连接去掉,对连接进行限制,就变成了“受限玻尔兹曼机”(RBM),这样就使得计算量大大减小,使用起来也就方便了很多.
... 理解计算:从根号2到AlphaGo -21: 第8季 深度学习发展简史-2 ⟶
3.2 受限玻尔兹曼机所谓“受限玻尔兹曼机”(RBM)就是对“玻尔兹曼机”(BM)进行简化,使玻尔兹曼机更容易更加简单使用,原本玻尔兹曼机的可见元和隐元之间是全连接的,而且隐元和隐元之间也是全连接的,这样就增加了计算量和计算难度.
“受限玻尔兹曼机”(RBM)同样具有一个可见层,一个隐层,但层内无连接,层与层之间全连接,节点变量仍然取值为0或1,是一个二分图.
也就是将“玻尔兹曼机”(BM)的层内连接去掉,对连接进行限制,就变成了“受限玻尔兹曼机”(RBM),这样就使得计算量大大减小,使用起来也就方便了很多.
... 理解计算:从根号2到AlphaGo -21: 第8季 深度学习发展简史-2 ⟶
... 10-11 15:17 , 217 , 221 ..
5 循环神经网络循环神经网络也被称为时间递归神经网络(Recurrent neural network)在前面讨论的卷积神经网络,无法利用历史数据的时间依赖关系,来分析数据特征,对于二维图像来讲,我们已经知道局部感受视野这种空间信息是识别问题的核心,在另外一些与时间相关的问题中,输入的数据是基于时间的序列,卷积网络就无能为力了.
这时候,核心问题是需要了解数据的时间序列关系,实际上,RNN最早是由Hopfiled网络启发变种而来,因此有些类似Hopfiled的联想记忆功能.例如,如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么?利用前面输入的一连串的历史信息:“天 空 飞 过 一 只”,我们就能大致猜出最后一个词可能是某种具有飞行功能的事物,历史(时间信息)对于我们推测未来,是极有帮助的,不可轻易抛弃.
而RNN的核心诉求之一,就是能将以往的信息连接到当前任务之中.
RNN模型有比较多的变种,一种主流的RNN模型结构如 ... 理解计算:从根号2到AlphaGo -23: 第8季 深度学习发展简史-4 ⟶
5 循环神经网络循环神经网络也被称为时间递归神经网络(Recurrent neural network)在前面讨论的卷积神经网络,无法利用历史数据的时间依赖关系,来分析数据特征,对于二维图像来讲,我们已经知道局部感受视野这种空间信息是识别问题的核心,在另外一些与时间相关的问题中,输入的数据是基于时间的序列,卷积网络就无能为力了.
这时候,核心问题是需要了解数据的时间序列关系,实际上,RNN最早是由Hopfiled网络启发变种而来,因此有些类似Hopfiled的联想记忆功能.例如,如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么?利用前面输入的一连串的历史信息:“天 空 飞 过 一 只”,我们就能大致猜出最后一个词可能是某种具有飞行功能的事物,历史(时间信息)对于我们推测未来,是极有帮助的,不可轻易抛弃.
而RNN的核心诉求之一,就是能将以往的信息连接到当前任务之中.
RNN模型有比较多的变种,一种主流的RNN模型结构如 ... 理解计算:从根号2到AlphaGo -23: 第8季 深度学习发展简史-4 ⟶
本页Url
🤖 智能推荐