Google创世纪任务:AI如何重塑科学发现范式与未来研究

Android TabLayout 实现底部导航栏和顶部导航栏 Android TabLayout 实现底部导航栏和顶部导航栏写在前面底部导航栏的实现方法及代码顶部导航栏的实现总结 写在前面 做为一名刚入门的Android个人开发者,最近在学习如何实现一个简易的导航栏,下面是我的实现具体步骤(idea集成Android Studio) 先来看看效果吧 底部导航栏的实现方法及代码 一、 配置 build.gradle (添加如下代码) implementa... 阅读详情

1. 项目概述:当科技巨头押注科学前沿

最近科技圈有个事儿挺有意思,不是哪个新App上线,也不是哪个芯片又迭代了,而是Google宣布向一个叫“创世纪任务”(Genesis Mission)的项目投入4000万美元。这事儿乍一听,感觉像是科幻电影里的情节,但实际上,它指向的是一个非常现实且宏大的目标:用人工智能,特别是像AlphaFold这样的突破性技术,去系统性、规模化地加速整个科学发现的过程。这不仅仅是写个代码、优化个算法那么简单,它更像是在为未来的科学探索,铺设一条由数据和智能驱动的“高速公路”。

简单来说,这个“创世纪任务”的核心,就是探索如何将Google DeepMind在AI基础模型,尤其是生命科学领域取得的成功经验(比如那个震惊世界的蛋白质结构预测工具AlphaFold),复制并扩展到更广阔的科学疆域。它要解决的,是当前科学研究中一个普遍存在的“瓶颈”:海量数据与人类有限认知能力之间的矛盾。科学家们每天产生TB甚至PB级的数据,从基因序列到天文图像,从材料分子模拟到气候模型,但如何从这些数据中高效地挖掘出新的规律、发现新的知识,传统方法往往耗时费力。Google这4000万美元,赌的就是AI能成为破解这个瓶颈的“万能钥匙”。

那么,这个项目适合谁来关注呢?如果你是对AI前沿应用、科技投资趋势、或者未来交叉学科发展感兴趣的人,无论是开发者、研究者、投资人还是科技爱好者,都值得深入了解一下。它不仅仅是一个公司的战略布局,更可能预示着未来十年,我们如何做科研、如何产生新知识的一场范式变革。接下来,我就结合公开信息和行业观察,拆解一下这个“创世纪任务”背后的逻辑、可能的技术路径,以及它对我们意味着什么。

2. 核心逻辑拆解:为什么是“创世纪”?

要理解Google这步棋,我们不能只看这4000万美元,得把它放到更大的背景板里去看。这背后是几条清晰的主线在交织:技术成熟度、商业战略、以及社会价值诉求。

2.1 技术驱动:从AlphaFold的成功到通用科学AI的野望

AlphaFold无疑是DeepMind乃至整个AI界的一座里程碑。它解决了困扰生物学界长达半个世纪的“蛋白质折叠问题”,其预测精度在多数情况下堪比昂贵的实验方法。这个成功的意义远超生物学本身,它验证了一个关键假设: 针对特定科学领域(拥有大量结构化数据和明确评估标准)构建的深度AI模型,能够达到甚至超越人类专家的水平,并极大加速发现进程。

“创世纪任务”可以看作是AlphaFold模式的“泛化”尝试。它的核心问题变成了:我们能否为物理学、化学、材料科学、天文学、气候科学等领域,打造出各自的“AlphaFold”?甚至更进一步,我们能否构建一个更通用的“科学基础模型”,它能够理解多种科学语言(公式、图表、数据),并跨领域进行推理和假设生成?这听起来像天方夜谭,但正是前沿AI实验室梦寐以求的“圣杯”。Google的投入,是在为攀登这座高峰提供弹药。

2.2 战略卡位:数据、生态与下一代计算入口

对于Google这样的公司而言,支持基础科学研究从来不是纯粹的慈善。这里有深层的战略考量:

  1. 数据护城河的延伸 :科学数据是高质量、结构化数据的宝库。通过深度参与甚至主导重大科学项目,Google能够接触到最前沿、最稀缺的数据集。这些数据用于训练AI模型,其价值不可估量。这相当于在“数据石油”时代,提前占据了富矿的开采权。
  2. 云计算与AI服务的标杆案例 :诸如蛋白质结构预测、气候模拟、新材料发现等任务,都是计算密集型应用。成功案例将完美展示Google Cloud(尤其是TPU/AI加速芯片)和Vertex AI平台的处理能力,成为吸引其他科研机构和工业界客户的最佳广告。
  3. 塑造“AI for Science”的生态标准 :通过开源部分工具、提供API、建立合作社区,Google有机会成为“AI驱动科研”这一新兴范式的基础设施提供者和规则制定者。这类似于它在移动互联网时代的Android生态策略。
  4. 人才磁石与品牌赋能 :最顶尖的AI科学家和青年才俊,往往渴望解决最具挑战性的问题。“创世纪”这样的项目具有极强的号召力,能帮助Google/DeepMind吸引并留住顶级人才。同时,持续产出突破性科学成果,能极大巩固其“前沿科技领导者”的品牌形象,对冲其在消费市场面临的其他挑战。

2.3 社会价值与风险前瞻

推动科学前沿,其潜在的社会效益是巨大的:更快发现新药、设计更高效清洁能源材料、更精准预测极端天气、理解宇宙的基本规律。这符合大型科技公司近年来强调的“解决人类重大挑战”的叙事。

但同时,这类项目也必然伴随着讨论和审视:

  • 研究方向的“扭曲” :巨额资金和强大AI工具的注入,是否会使得更容易被AI模型解决的科学问题获得过度关注,而其他重要但“数据不友好”或“问题定义不清晰”的领域被边缘化?
  • 成果的开放与垄断 :研究成果将以何种形式开放?是全部开源,还是通过API服务提供?这关系到科学界的公平性和创新的普惠性。
  • 对科研工作方式的影响 :AI辅助乃至主导的发现,如何与传统实验验证、理论构建相结合?科研人员的角色将如何演变?

Google的“创世纪任务”正是在这样的复杂图景中展开。它既是一次技术探险,也是一次战略布局,更是一次关于未来科学形态的社会实验。

3. 潜在技术路径与核心挑战

钱投下去了,具体路该怎么走?虽然项目细节未完全公开,但结合DeepMind的技术积累和AI for Science领域的发展趋势,我们可以推测几条可能的技术路径和必须攻克的核心难关。

3.1 可能的技术架构猜想

“创世纪”不太可能是一个单一模型,更可能是一个多层次的技术栈或方法论框架:

  1. 领域专用模型(垂直深化) :这是AlphaFold路径的直接延续。针对天文学、凝聚态物理、量子化学等特定领域,构建专有的、基于Transformer或图神经网络架构的模型。这些模型需要深度融合领域知识,例如将物理定律(如对称性、守恒律)作为约束条件嵌入到模型架构或损失函数中(即“物理信息神经网络”PINN的升级版)。
  2. 多模态科学基础模型(横向扩展) :尝试构建一个能够同时处理科学文献文本、分子结构图、天文光谱、材料晶体图像、数学公式等多种模态数据的预训练大模型。这个模型的目标是学习一种“科学通用表示”,从而具备跨领域的类比推理和概念迁移能力。例如,理解一篇描述新型超导材料的论文后,能联想到在催化领域可能有类似电子结构的材料。
  3. AI驱动的自动化科学工作流(闭环系统) :这可能是终极形态。构建一个集成“假设生成 -> 实验/模拟设计 -> 数据生成与分析 -> 结果评估与假设修正”全流程的自动化系统。在这个系统里,AI不仅分析数据,还通过控制机器人实验平台、调度超级计算机模拟任务来主动获取验证数据,形成“自主科学发现”的闭环。这需要将大型语言模型(用于理解文献和生成假设)、生成模型(用于设计新分子或实验方案)、强化学习(用于优化探索策略)等多种AI技术深度融合。

3.2 必须面对的核心技术挑战

无论走哪条路,以下几个硬骨头是绕不开的:

  • 数据稀缺与异构性 :许多前沿科学领域(如某些稀有疾病研究、极端条件下的物理现象)并没有像ImageNet那样海量、规整的标注数据。数据往往稀少、嘈杂、且格式千差万别(序列、图像、图谱、数值表格)。如何利用小样本学习、自监督学习、合成数据生成等技术克服数据瓶颈,是关键。
  • 可解释性与可信度 :科学发现要求可解释、可验证。一个AI模型预测出一种新材料具有超导性,科学家需要知道它“为什么”这么预测,是基于晶体结构的哪个特征?否则无法建立理论,也无法指导后续实验。开发能让人类科学家理解的“可解释AI”(XAI)工具,是这个项目能否被科学共同体接受的生命线。
  • 与物理第一性原理的结合 :纯粹的“数据驱动”模型可能在训练数据分布内表现良好,但外推能力差,可能产生违背基本物理定律的结果(如能量不守恒)。如何将已知的物理定律、化学规则作为“硬约束”或“先验知识”编码到模型中,实现“数据驱动”与“原理驱动”的融合,是提升模型鲁棒性和泛化能力的核心。
  • 计算规模与成本 :训练覆盖多学科的科学基础模型,其计算需求将是天文数字。如何优化模型架构、训练算法,以及高效利用Google的TPU集群,控制成本和能耗,是工程上的巨大挑战。

注意 :这里描述的技术路径是基于公开领域趋势的合理推测,并非“创世纪任务”的官方蓝图。实际项目可能会选择其中一两条路径进行重点突破,也可能有我们未曾想到的创新架构。

4. 从理论到实践:一个假想的“材料发现”用例

为了更具体地理解这可能如何运作,让我们构想一个“AI加速新型光伏材料发现”的简化场景。这并非真实案例,但融合了当前AI在材料科学中的应用思路。

4.1 传统流程 vs. AI增强流程

传统“试错式”流程:

  1. 文献调研 :研究人员阅读大量论文,基于经验(如元素周期律、已知的构效关系)提出几种可能具有高光电转换效率的材料候选(如某种钙钛矿的变体)。
  2. 理论计算 :使用密度泛函理论(DFT)等计算方法,模拟候选材料的电子结构、能带隙等性质。这一步计算量巨大,一种材料可能需要数天甚至数周的超级计算时间。
  3. 实验制备与测试 :对理论计算筛选出的少数几种材料进行实验室合成,并测量其实际的光电性能。
  4. 分析优化 :根据实验结果,调整材料成分或制备工艺,重复上述步骤。整个过程周期漫长,成本高昂,且探索空间极其有限。

AI增强的“高通量筛选”流程:

  1. 构建材料知识图谱 :利用自然语言处理(NLP)模型,从数百万篇材料科学论文、专利和数据库中自动提取材料成分、合成方法、晶体结构、性能数据,构建一个庞大的、可计算的知识图谱。
  2. 生成式设计 :使用生成式AI模型(如基于扩散模型或变分自编码器的材料生成模型),以“高光电转换效率”、“高稳定性”、“无铅”等为条件,生成成千上万个全新的、在理论上合理的虚拟材料分子式或晶体结构。这些结构可能完全超出人类经验范畴。
  3. 高通量初筛 :使用训练好的、速度比DFT快几个数量级的AI代理模型(一种近似但快速的预测模型),对这上万个虚拟材料进行初步性能预测(如预测能带隙、形成能、载流子迁移率)。这一步可能在几小时内完成,筛选出几百个最有潜力的候选者。
  4. 高精度复筛 :对筛选出的几百个候选材料,调用更精确但更耗时的第一性原理计算(DFT)进行验证。由于范围已大大缩小,总计算成本反而可能低于传统方法。
  5. 机器人实验验证 :将AI和计算筛选出的顶级候选材料(可能只有几十个)的合成配方,发送给自动化材料合成机器人平台,进行并行实验制备与表征,快速获得真实世界的数据。
  6. 闭环反馈 :实验数据被自动收集,并反馈回AI模型,用于持续改进生成和预测的准确性。AI甚至可以根据实验失败案例(如合成不出预测的晶体),学习调整生成策略。

在这个假想流程中,AI扮演了“超级研究助理”的角色,将人类科学家从繁重的文献挖掘和低效的试错中解放出来,使其能更专注于顶层的问题定义、结果分析和理论构建。Google的“创世纪任务”旨在为这类流程提供通用的工具链和平台支持。

4.2 实操中的关键点与“坑”

即使有强大的AI,在实际操作中也会遇到很多挑战:

  • 数据质量是生命线 :从论文中自动提取的数据充满噪声。同一材料,不同文献报道的性能可能差异很大;合成方法描述可能模糊不清。构建高质量、清洁的数据库本身就是一个巨大工程,需要大量的人工校验和领域专家介入。
  • “准确性-速度”的权衡 :代理模型很快,但可能有偏差;第一性原理计算准,但极慢。需要设计巧妙的主动学习策略:让AI自己判断哪些候选材料不确定性最高、最需要高精度计算来澄清,从而最优地分配计算资源。
  • 实验与仿真的“鸿沟” :计算模拟通常在理想条件下进行(绝对零度、完美晶体),而真实实验涉及缺陷、杂质、界面、非平衡态等复杂因素。AI模型必须学会理解和预测这种“仿真-现实差距”,否则筛选出的材料可能在实验室中完全失败。
  • 知识产权与协作 :AI生成的新材料,其发明权归属如何界定?是AI开发者、使用AI的科学家,还是提供数据和算力的机构?在项目初期就需要建立清晰的数据共享和成果分配协议。

5. 对行业与从业者的影响与启示

Google的“创世纪任务”如同一块投入湖面的巨石,其涟漪将波及广泛的领域。

5.1 对科学研究范式的冲击

  • “第四范式”的深化 :科学研究将从“实验归纳”、“理论推演”、“计算模拟”三大范式,全面进入以“数据密集型科学发现”为核心的第四范式。AI将成为每个实验室的标配工具,而不仅仅是计算机科学家的专有品。
  • 学科壁垒的软化 :能够处理多模态数据的AI,将促进物理学、化学、生物学、材料学、工程学之间的交叉融合。解决一个复杂的生物医药问题,可能需要同时调用基因序列、蛋白质结构、细胞影像和小分子药物数据库,由AI进行跨域关联分析。
  • 科研人员技能树更新 :未来的科学家,除了深厚的领域知识,还需要具备“AI素养”:理解机器学习的基本原理,能够与AI工具有效交互(提示工程、结果解读),甚至掌握一定的数据分析和编程能力。纯粹的“手工实验者”可能会面临挑战。

5.2 给AI研究者与开发者的机会

  • 新赛道涌现 :“科学AI”是一个方兴未艾的蓝海市场。机会不仅存在于Google、微软、Meta等大厂的研究院,也存在于:
    • 初创公司 :开发垂直领域的科学AI SaaS工具(如专注于药物发现的Insilico Medicine,专注于材料发现的Citrine Informatics)。
    • 开源社区 :构建面向特定学科(如天文学、地球科学)的AI模型库和基准数据集。
    • 工具链开发 :开发连接AI平台与科学仪器、仿真软件的数据管道和中间件。
  • 核心能力需求 :除了通用的深度学习技能,对特定科学领域的理解变得至关重要。能够与领域专家深度对话,将物理/化学/生物知识转化为模型约束的“双语人才”,将极具竞争力。此外,处理科学数据(如3D分子图、时空序列数据)所需的特定神经网络架构(图神经网络、等变网络) expertise 也将是热点。

5.3 潜在的风险与我们的准备

  • 避免“AI幻想” :必须清醒认识到,AI是强大的工具,但并非万能。它无法替代科学家的批判性思维、创造力和对深层机制的直觉。最危险的莫过于盲目相信AI的预测,而放弃必要的实验验证和理论思考。AI可能发现相关性,但解释因果性依然是人类的强项。
  • 伦理与安全边界 :AI加速科学发现的能力是双刃剑。它可能更快地发现造福人类的药物,也可能无意中加速了有害物质或危险知识的产生(如新型毒素、更高效的爆炸物配方)。需要建立相应的审查和治理机制,确保技术向善。
  • 基础设施与公平性 :运行这些大型AI模型需要巨大的算力和数据资源。如何防止“AI科学”加剧资源不平等,让中小型研究机构和欠发达国家的研究者也能参与其中,是一个必须考虑的社会问题。云平台和开源模型或许是一条出路。

Google的4000万美元只是一个开始,它标志着AI驱动的基础科学研究进入了由顶级科技公司大力支持和塑造的新阶段。对于我们每个人,无论是身处科研一线,还是从事技术行业,理解这场正在发生的变革,思考如何与之共舞,或许比单纯惊叹于资金的数额更为重要。这场“创世纪”的序幕已经拉开,好戏还在后头。

【Android】Fragment实现顶部、底部导航栏 前言 无论是顶部还是底部导航栏,都是大多数APP的标配,网络上的相关实现教程也非常之多。最近回忆起以前写的小项目,发现对这块内容有些遗忘,不妨就再整理一遍代码逻辑,记录下来,方便日后查阅(指复制粘贴)。 ▶ 实现的方式有很多,本文采用以下方式实现: 底部导航栏:Fragment + BottomNavigationView 顶部导航栏:Fragment + ViewPager2 + TabLayout 底部导航栏 <布局文件> <?xml version="1.0" encoding= 阅读详情

相关推荐

Android CoordinatorLayout打造酷炫的顶部栏

CoordinatorLayout常常与AppBarLayout和CollapsingToolbarLayout一起使用,用于打造各种炫酷效果的顶部栏。之前写过一篇Android 实现酷炫的顶部栏,不过要注意的是这次我们用到Androidx,原因是Google 发布了 Android support library 28,同时也发布了 androidx 1.0.0 第一个正式版本,然后支持库的 “...

Angelica 1万+

简单实现Android顶部工具栏和底部工具栏

<br />这两个工具栏全是用布局来实现的。<br /><br />底部工具栏布局代码:<br /> <br /><?xml version="1.0" encoding="utf-8"?> <RelativeLayout xmlns:Android="http://schemas.android.com/apk/res/android" Android:background="@drawable/bottom" Android:layout_width="fill

Ink_jay的专栏 1305

Android 开源组件PagerBottomTabStrip 快速构建底部导航栏(Android studio)

博客地址:http://blog.csdn.net/tyzlmjj/article/details/47904609

android工具栏设为底层,Android顶部工具栏和底部工具栏的简单实现代码

废话少说,直接上图,有图有真相。这两个工具栏全是用布局来实现的。底部工具栏布局代码:代码< xmlns:android="http://schemas.android.com/apk/res/android"android:background="@drawable/bottom"android:layout_width="fill_parent"android:layout_height=...

weixin_39849548的博客 240

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

SAP 财务接口开发:完全清账 vs 标准过账的 CO-PA(获利能力字段) 赋值全解析(含设计哲学)

用于完全清账场景:用于标准凭证过账/部分清账两者对 CO-PA 数据的传递方式截然不同。本文不仅提供完整的代码实现,更深入解析为什么 SAP 要这样设计——了解设计哲学,才能灵活应对各类需求。完全清账→ 调用,必须在T_FTPOST中传递,其他特征用BSEG-RKE_前缀。标准过账/部分清账→ 调用,在CRITERIA表中传递特征,字段名直接用WERKSARTNR等。SAP 的设计智慧面向不同场景,采用不同机制,各司其职。通过接口抽象,将复杂的 CO-PA 配置逻辑封装在内部,对外提供简洁的调用方式。

Pegasus666的博客 337

Android 标题栏及导航栏设计与实现

ActionBar是Android 5.0以前的顶部标题栏,由于其不够灵活所有被ToolBar取代,所有我们要隐藏ActionBar。后 ,toolBar的事件监听才有作用。

qq_52108058的博客 9132

ArcGIS+PLUS+InVEST三件套实战:从零搞定土地利用变化与碳储量预测(附完整数据包)

本文详细介绍了如何整合ArcGIS、PLUS模型和InVEST模型,构建土地利用变化与碳储量预测的完整研究流水线。通过多情景模拟和生态系统服务评估,提供从数据准备到结果验证的实战指南,助力研究者高效完成生态评估项目。

weixin_30399821的博客 546

谷歌创世纪计划:AI如何重塑科研范式与行业未来

人工智能正从优化商业效率转向驱动基础科学发现,这一转变的核心在于构建能够理解多模态科学数据、自动化假设生成与实验设计的AI平台。这种AI for Science范式通过融合深度学习与领域知识,将物理一致性约束嵌入模型,显著加速新药研发、新材料设计等传统高耗时领域。其技术价值在于将大规模模拟、数字孪生与高性能计算结合,为复杂系统问题提供可解释的解决方案。在生物医药领域,它能压缩药物发现周期;在材料科学中,实现性能导向的逆向设计;在气候研究中,提升预测模型的精度。谷歌的创世纪计划正是这一趋势的集中体现,通过整合

weixin_30628801的博客 308

比特大陆校招笔试

我当时做的时候没有概念(上边倒计时我一直以为是一个模块的),所以第一个模块写的太长了导致最后才留15分钟快速选的(一共18道题),有一题最后没有选上,两题没有认真看题目瞎选的,求求求过过过!选择题:主要考高中物理题、数学题(念过高中的一定会,但是需要时间算,需要留25分钟左右的时间做)第一道就是写个人的内容,什么最近读过的书,最近的感受等等;分为两个模块,考试内容超级无敌简单,但是注意时间掌握。注意这里别花太长的时间,不然后边来不及。第二道逻辑分析题,需要你写解答。

Domainwa的博客 673

用人话讲明白线性回归LinearRegression

目录 什么是回归 一元线性回归 损失函数 最小二乘估计 小结 1. 什么是回归 当我们学习一门新课程、接触一个新专业时,总会对该领域的专有名词感到困惑,甚至看完解释仍难以理解其含义。在我们一起学习machine learning的过程中,我会尽量对相关名词用“人话”做一遍解释,以减少学习的“痛苦感”。 譬如今天要学的线性“回归”,这个回归(regression)和我们平时说的“回归祖国”的回...

化简可得 1万+

Android开发----生成Android底部导航栏

Android 新建带有底部导航栏的activity,并更改导航栏图标和标题。

Qingshan_z的博客 8723

SpringBoot从入门到精通(全)

前言 ==本博文结合软件idea进行主要讲解== **springboot的特性主要有** - 简化 Spring 应用程序的创建和开发过程 - 抛弃了繁琐的 xml 配置过程,采用大量的默认配置简化以及注解反射 - 直接使用 java main 方法启动内嵌的 Tomcat 服务器运行 Spring Boot 程序,不需要部署 war 包文件 **四大核心**分别为自动配置、起步依赖、Actuator和命令行界面

码农研究僧的博客 7万+

Android studio页面布局实现固定顶部和底部导航栏,中间可滑动

android 开发实现实现页面上下菜单栏固定 中间设置可上下滑动 android 页面布局固定顶部,底部 ,中间设置可上下滑动

hjjshua的博客 1万+

FAA和EASA在机载电子硬件适航中的发展历史与差异

FAA和EASA在机载电子硬件的适航审查中虽然存在一些差异,但通过近年来的合作,这些差异正在逐步缩小。两者通过。

qq_41854911的博客 749

YOLO11 改进 - C2PSA | C2PSA融合HEWL(高频增强小波层):小波逆变换+双通道注意力增强+高频显式增强 | TGRS 2026

本文介绍了高频增强小波层(HEWL),一种专为解决红外小目标检测中边缘退化与语义模糊问题设计的上采样模块。该方法结合小波逆变换与交替通道注意力(ALCA),通过显式增强高频细节并优化特征融合,实现精准的边缘重建与语义对齐。我们将 HEWL 融入 PSABlock 结构构建了 C2PSA_HEWL 模块,并成功集成进 YOLO11 的骨干网络,替代原有的 C2PSA 模块。实验证明,结合 HEWL 的 YOLO11 在检测任务中表现优异,有效提升了模型对细节特征的捕捉能力。

魔改工程师的博客 105

android顶部工具栏和底部工具栏的简单实现代码,顶部和底部菜单栏TabLayout+ViewPager...

本人是初学者,现在看很多app都用到菜单栏,所以就了解了一下,先看一下效果图: 其实这个的实现是用到TabLayout和ViewPager的结合,顶部是TabLayout,中间的空白的部分就是ViewPager。因为底部的类似,所以底部菜单栏也是一样的道理,只是布局文件稍微做了一些调整。布局文件activity.xml:xmlns:app="http://schemas.android.com/a...

weixin_29174385的博客 683

Docker:快速部署 Temporal 工作流引擎的技术指南

Temporal是一个开源的分布式工作流引擎,适用于复杂业务流程(如订单处理、支付流程等),提供状态持久化、自动重试、多语言SDK支持等特性。部署简单,支持Docker Compose,包含核心服务、Web UI及数据库。以TypeScript为例,开发者可快速编写工作流(如订单处理)和Worker,通过CLI或SDK启动和管理。Temporal简化了分布式系统的可靠性设计,适合电商、自动化任务等场景。

木头 647

Android仿微信底部菜单栏+今日头条顶部导航栏

背景 Android应用几乎都会用到底部菜单栏,在Material Design还没有出来之前,TabHost等技术一直占主流,现在Google新sdk中提供了TabLayout类可以便捷的做出底部菜单栏效果。 本节我们实现两种主要的Tab效果: 1. 仿微信底部菜单 2. 仿今日头条顶部导航条 效果预览: 底部菜单 Tab一般与Activity或Fragment配合使用,以达到...

海阔天空 3万+

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Carson带你学Android:底部/顶部Tab导航栏快速实现-TabLayout+ViewPager+Fragment

前言Android开发中使用顶部 & 底部Tab导航栏的频次非常高,主要的实现手段有以下: TabWidget 隐藏TabWidget,使用RadioGroup和RadioButton FragmentTabHost 5.0以后的TabLayout 最近推出的 Bottom navigation 在上一篇我介绍了如何使用(Fragment+FragmentTabHost++ViewPager) 实

Carson带你学Android 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

第三方开源库:BottomBar 底部导航栏

简介github地址:BottomBar 参考:【BottomBar】Android炫酷的底部切换效果V2.0 BottomBar可以跟BottomNavagionView一样,是一种Material Design效果的导航栏,具有以下功能: 改变整个BottomBar的颜色 改变tab的icon与title的颜色和字体 实现滑动隐藏BottomBar tab右上角有标记(类似QQ的未读消息)

Java技术博客,不再更新Android内容 1万+

Andoid实现顶部导航栏和底部导航滑动隐藏(BottomNavigationView,CoordinatorLayout)

首先这个效果需要引入design:compile 'com.android.support:design:26.+'在布局文件中:&lt;?xml version="1.0" encoding="utf-8"?&gt;&lt;RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android"    xmlns:app=...

再也不做的事 6589

Android底部导航栏,三种风格和实现

一、效果图展示    如果动图没有动的话,也可以看下面这个静态图    以下挨个分析每个的实现,这里只做简单的效果展示,大家可以基于目前代码做二次开发。二、BottomNavigationView    这是 Google 给我们提供的一个专门用于底部导航的 View,你只需要在新建 Activity 的时候选择 “Bottom Navigation Activity”,IDE 就会自动使用 Bo...

阿飞的博客 14万+

Android第三方开源库:底部导航栏

关于底部导航栏的开源库由很多,除了前面介绍的Design/BottomNavigationView和BottomBar 底部导航栏 ,这里在介绍几个,都比较简单。分类NavBar AHBottomNavigation BottomNavigationBar BottomNavigationViewEx BottomNavigation BottomBarNavBar这里不做太多介绍,下面是

Java技术博客,不再更新Android内容 9843

android实现底部导航栏和顶部导航栏(相当于网页上的一级菜单和二级菜单)

android 顶部菜单和底部导航栏

u012361418的博客 4946
上一篇: 蓝桥杯Python省赛78分复盘:从暴力枚举到状压DP的实战策略
下一篇: GeneBench-Pro:从刷榜到真科研,AI科学评估新范式解析
weixin_30603633
博客等级 码龄11年 128粉丝 1402原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址