XiaoMi-AI文件搜索系统
World File Search Systemkeras
轴向脱钩的光刺激和两个光子读数（Adept）用于映射神经回路的功能连通性
摘要：宿主免疫系统的体内平衡受白细胞的调节，其中有8种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体9，以唤起稳态迁移或炎症条件下的免疫细胞的趋化性，即炎症组织或病原体。免疫系统的失调导致11种疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的12种长期影响。在这里，我们进行了基于结构的虚拟筛选13（SBV），由KERAS/Tensorflow神经网络（NN）辅助，以查找在三个趋化因子受体上作用的新型化合物支架14：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow 15 nn在这里不是用作典型使用的二进制分类器，而是作为有效的多级分类器16，不仅可以丢弃非活性化合物，而且还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合亲和力。为改善化合物的基本结合亲和力，提出了新的19种化学修饰。将修饰的化合物与这三个趋化因子受体的已知20个雄鹿主义者进行了比较。已知的CXCR3是预测的21磅，因此在基于结构的方法中显示了在药物发现中使用Keras/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以预测化合物的受体亚型选择性，SBV通常会失败。我们跨越了24个测试的趋化因子受体数据集，这些数据集从Chembl和策划的大麻素25受体中策划的数据集获取，网址为：http：//db-gpcr-chem.uw.edu.pl。在从Chembl检索的大麻素26受体数据集上训练的NN模型是受体亚型选择性27预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型28在区分给定化合物数据集的受体亚型方面表现出最高的精度。29
使用二氧化碳激光器的浅表性腹膜子宫内膜异位症蒸发：长期单中心体验
摘要：宿主免疫系统的稳态受到白细胞的调节，具有各种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体，以唤起稳态迁移或朝向炎症组织或病原体的炎症条件下免疫细胞的趋化性。免疫系统的失调导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。 在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。 keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。 在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。 为了改善化合物的基本结合功能，提出了新的化学修饰。 将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。 已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。 此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。为了改善化合物的基本结合功能，提出了新的化学修饰。将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。我们从Chembl和策划数据集检索到大麻素受体的跨测试趋化因子受体数据集。在从Chembl检索的大麻素受体数据集上训练的NN模型是受体亚型选择性预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型在区分给定化合物数据集的受体亚型方面表现出最高的精度。
keras/tensorflow用于免疫障碍的药物设计
抽象2型糖尿病（T2D）是葡萄糖代谢的进行性代谢疾病。治疗T2D的治疗方法之一是通过抑制消化酶A-葡萄糖苷酶和-Amylase来减少餐后高血糖。在这种情况下，旨在识别具有抗T2D潜力的天然产品，我们专注于属于Asteraceae家族的物种Ptilostemon casabonae（L.）Greuter。酶促抑制作用，抗氧化活性，酚类组成和细胞测定。这项研究表明，Casabonae水醇提取物具有对葡萄糖酶的有效抑制活性。该活性受抗氧化作用的支持，可防止在应力的细胞系统中进行染色。HPLC-PDA-MS/MS分析显示复杂的多酚部分。在测试的纯化合物中，1,5-二甲基二酸酯，阿apigenin和rutin表现出良好的 - 葡萄糖sidase抑制活性。我们的研究提出了Casabonae的新潜力，鼓励我们进一步测试该提取物的可能治疗潜力。
keras/tensorflow用于免疫障碍的药物设计
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权所有，该版本发布于2023年9月24日。 https://doi.org/10.1101/2023.09.22.559001 doi：Biorxiv Preprint
神经网络的机器学习库的比较分析：基准研究
这项全面的基准测试研究探讨了三个著名的机器学习库的性能：Pytorch，带有Tensorflow后端的Keras和具有相同标准，软件和硬件的Scikit-Learn。评估包括两个不同的数据集：“学生表现”和“大学参加计划分类”，由Kaggle平台支持使用前馈神经网络（FNNS）作为建模技术。调查结果表明，Pytorch和Keras凭借Tensorflow Backend Excel在“大学参加计划分类”数据集中，Pytorch在这两个类别中都能达到无可挑剔的精度，召回和F1得分。虽然Scikit-Learn表现出值得称赞的性能，但在这种情况下，它落后于这些库。在“学生表现”数据集中，所有三个库都提供了可比的结果，而Scikit-Learn的精度最低为16％。带有Tensorflow后端的Keras和Pytorch的精度分别为23％。此外，当面对各种数据集类型时，本研究为每个图书馆的独特优势和缺点提供了宝贵的见解。pytorch成为要求需要高性能的任务的首选选择，而Scikit-Learn对于具有适度的计算需求的简单任务证明是有利的。带有张力的后端的凯拉斯在性能和用户友好之间取得平衡。这项基准测试努力为机器学习从业人员提供了宝贵的指导，以选择根据其项目要求量身定制的最合适的图书馆或框架。关键字 - 机器学习，Pytorch，Tensorflow，Scikit-Learn，神经网络它强调了图书馆选择在获得机器学习努力中的最佳结果中的关键作用。
使用CNN
和技术（A），Rajahmundry，AP，印度。摘要 - 本文集中于开发基于软件的识别模块，该模块与车辆的板载摄像头系统集成在一起。使用OPENCV，系统通过调整，颜色归一化和边缘检测来预处理图像。经过Tensorflow，Keras和Image Data Generator训练的卷积神经网络（CNN），通过增强和预处理流量符号数据集来增强分类精度。一旦确定了流量标志，就可以使用文本到语音转换提供实时语音反馈，从而使驾驶员可以在不分散注意力的情况下接收警报。使用Django构建的后端管理整个管道，确保无缝处理，模型执行和用户交互。结果表明，即使在不同的照明和天气条件下，系统也可以准确识别流量标志，并且可以正确识别并实时宣布交通标志。通过将基于CNN的图像识别与语音反馈相结合，该系统大大改善了驾驶员的帮助，从而使驾驶更安全。索引术语 - 流量标志识别，卷积神经网络（CNN），图像数据生成器，OPENCV，深度学习，实时检测，语音帮助，计算机视觉，机器学习，Django，Tensorflow，Tensorflow，Keras，Keras，驾驶员帮助，道路安全，道路安全。
机器学习和量子计算简介
2 前馈神经网络 7 2.1 梯度下降. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2 Colab、Python、Tensorflow、Keras 和 Pytorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.2 非线性激活 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... 15 2.6.1 训练. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
yolov8加权盒子融合
这项研究调查了通过将加权盒融合（WBF）整合在KERAS CV框架中，从而提高了Yolov8对象检测性能的潜力。Yolov8由于其速度，准确性和现实世界中的良好声誉而被选择。KERAS CV：简化WBF实施这项工作的关键方面涉及利用KERAS CV库。这个用户友好的框架有助于开发自定义的WBF层，无缝集成到Yolov8架构中。该创新层通过基于置信度得分策略性地组合边界框，在完善对象检测结果中起着至关重要的作用。Python：开发基础Python是该项目的主要编程语言。其广泛的计算机视觉库生态系统为数据操作和模型开发提供了重要的工具。开发和评估过程是在配备GPU的工作站上进行的。此设置确保了有效的处理和实验。但是，该方法可以适应利用基于云的资源来用于大规模培训和部署方案。评估WBF严格评估WBF整合有效性的影响，采用了全面的评估策略。这种策略涉及利用可可公开可用数据集的组合，并可能由针对特定对象的感兴趣类别定制的自定义数据集补充。标准对象检测指标（例如平均平均精度（MAP））用于量化模型的性能。评估的关键方面涉及将WBF增强的Yolov8模型与没有WBF的基线Yolov8模型进行比较。
SWE 简历 2024 - Zach Gillette
编程 Python、C/C++、Java、Javascript、OCaml、CSS、R、SQL、Golang、GIT、脚本 (BASH)、LaTex 软件和库 Django、Tensorflow、Pytorch、Keras、Scikit-learn、Pandas、OpenCV、C++ STL、Azure Synapse 经验领域 机器学习、自动化软件、算法设计、数据分析、金融工程