深度学习之数据标准化方法综述
在上一篇文章《深度学习之数据处理方法概述》中，我们介绍了深度学习中数据处理的方法，其中提到了数据标准化的方法，没有进行详细介绍，这篇文章主要就是针对数据标准化的方法的介绍，希望让大家对数据标准化的理解和使用有一定的帮助。
爱可可AI论文推介(11月8日)
LG - 机器学习 CV - 计算机视觉 CL - 计算与语言 AS - 音频与语音 RO - 机器人(*表示值得重点关注)1、[CL] Modeling Event Salience in Narratives via Barthes' Cardinal FunctionsT
Nature子刊！清华团队提出蛋白质序列-功能空间压缩的概念
蛋白质作为最重要的生命构建单元之一，其序列和功能之间的映射（适应性景观，Fitness landscape）的针对性研究对于蛋白质理性设计以及工程应用都有极大的意义。
神经网络中的随机失活方法
1. Dropout如果模型参数过多，而训练样本过少，容易陷入过拟合。过拟合的表现主要是：在训练数据集上 loss 比较小，准确率比较高，但是在测试数据上 loss 比较大，准确率比较低。Dropout 可以比较有效地缓解模型的过拟合问题，起到正则化的作用。
「结构预测」浅析RoseTTAFold与AlphaFold2
最近，蛋白质结构预测领域的两项重要工作RoseTTAFold与AlphaFold2分别以“Accurate prediction of protein structures and interactions using a three-track neural network”、
世界首个AI CUDA工程师诞生！AI自己写代码优化内核，性能飙100倍
编辑：编辑部 HNZ【新智元导读】Transformer论文八位作者之一Llion Jones创立的Sakana AI发布重磅成果——全球首个「AI CUDA工程师」！它能将PyTorch代码自动转换为高度优化的CUDA内核，速度比PyTorch原生实现快10-100倍。
大模型做时序预测也很强！华人团队激活LLM新能力，实现SOTA
蔚明 投稿自 凹非寺量子位 | 公众号 QbitAI大语言模型潜力被激发——无需训练大语言模型就能实现高精度时序预测，超越一切传统时序模型。来自蒙纳士大学、蚂蚁、IBM研究院提出了一种通用框架，结果成功激活大语言模型跨模态处理时序数据的能力。
ICLR 2025 | 让大模型更懂时序的语境对齐来了！性能更优开销更低
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.
深度学习之数据处理方法综述
在实现以深度学习为主的人工智能任务的过程中，有三大基本要素是缺一不可的，那就是算力、算法、数据。在算力和算法都基本已经确定的前提下，数据在实现一般的深度学习任务的过程中，可以说起到了决定性的作用，可以认为数据对深度学习任务最终效果的影响，其下限很低、上限很高，也就是说，如果数据质量有问题，可以让一个好的模型变宝为废，而如果数据的质量非常高的话，也可以使得一个平庸的算法模型发挥出超常的效果。