V
主页
8.2 数据库检索
发布人
原书信息:清华大学出版社-图书详情-《TensorFlow+Android经典模型从理论到实战(微课视频版)》 http://www.tup.tsinghua.edu.cn/booksCenter/book_09703501.html 第8章 BERT与基因序列预测 当你读完第8章时,你应该能够: l 理解生物信息学数据库是建模的数据之源。 l 理解数据库检索的基本方法。 l 理解序列比对的基本方法与意义。 l 理解增强子的基本结构及在基因转录中的重要作用。 l 理解增强子序列数据集的采集方法。 l 理解并掌握BERT模型的体系结构与原理。 l 用BERT预训练模型对基因序列做迁移学习,提取基因特征。 l 用BERT+DenseNet121完成基因预测模型的定义、训练与评估。 近年来,以Transformer和BERT为代表的自然语言处理模型得到长足发展,将基因序列或者残基序列视作自然语言序列,将Transformer和BERT应用于生物信息学领域的序列解析与预测,已经成为一种研究趋势。 增强子预测是生物信息学领域富有挑战性的问题。本章的任务是将增强子的DNA序列视作“自然语言中的语句”,用BERT模型将其转换为固定长度的特征矩阵,实现DNA特征提取,在此基础上,用DenseNet121迁移学习模型,完成DNA增强子的分类预测。
打开封面
下载高清视频
观看高清视频
视频下载器
8.8 定义DNA序列预测模型
8.4 多序列比对
2024最新 Android Studio 安装配置步骤
8.1 生物信息学数据库
8.11 DNA序列模型评估
3.5 创建数据库
8.3 序列比对
2.6 MobileNetV3解析
9.4 数据集与特征提取
1.11 Python IO 数据流
5.6 数据集预处理与划分
9.8 AlphaFold2项目实战演示
9.9 小结
2.9 三维卷积
4.7 划分数据集
8.12 小结
3.10 梯度下降
2.11 简单卷积神经网络
3.15 Mini-Batch梯度下降
3.8 评估指标
3.20 ResNet卷积网络
2.10 定义卷积层
7.6 人脸数据采集
3.6 写入数据库
2.4 MobileNetV1解析
2.5 TCP控制头解析
2.9 ARP解析
1.6 离群值
3.28 训练resNet50 模型
3.18 Softmax回归
5.7 用户注册
6.9 定义BERT模型和RoBERTa模型
1.3 TCP IP通信协议
5.9 用户登录
9.6 Structure模块逻辑
7.12 EfficientNet模型定义
8.7 人脸相似度计算
3.16 优化算法
8.5 自定义人脸识别模型
2.1 安装Wireshark