论文MicrobiomesintheChallengerDeepslopeandbottom-axissedimentshttps://www.nature.com/articles/s41467-022-29144-4#code-availability对应代码链接https://github.com/ucassee/Challenger-Deep-Microbes论文里提供了大部分图的数据和代码，很好的学习材料，感兴趣的同学可以找来参考，今天的推文重复一下论文中的Figure3b示例数据集部分截图image.png读取数据dat01作图代码library(ggplot2)library(s

论文MicrobiomesintheChallengerDeepslopeandbottom-axissedimentshttps://www.nature.com/articles/s41467-022-29144-4#code-availability对应代码链接https://github.com/ucassee/Challenger-Deep-Microbes论文里提供了大部分图的数据和代码，很好的学习材料，感兴趣的同学可以找来参考，今天的推文重复一下论文中的Figure2bimage.png部分数据集截图如下相对丰度数据image.png分组数据image.png读取数据集读取相对丰

文献阅读：LLaMA:OpenandEfficientFoundationLanguageModels1.文章简介2.模型训练1.训练数据2.模型结构3.模型训练1.Optimizer2.效率优化3.效果评估1.经典任务下效果1.CommenSenseReasoning2.Closed-bookQuestionAnswering3.ReadingComprehension4.Mathematicalreasoning5.Codegeneration6.MassiveMultitaskLanguageUnderstanding7.Evolutionofperformanceduringtrain

跟着NatureCommunication学作图|百分比堆积柱状图+卡方检验stack_barplot.jpg今天我们复现一幅2021年6月发表在naturecommunications上的热图。Title：MoleculardeterminantsofresponsetoPD-L1blockadeacrosstumortypesDOI：https://doi.org/10.1038/s41467-021-24112-w之前复现过的堆积柱状图：跟着NatCommun学作图|3.物种丰度堆积柱状图R绘图|圆角堆叠柱状图(ggchicklet)22本期图片NC_stack_barplot.png结

论文MicrobiomesintheChallengerDeepslopeandbottom-axissedimentshttps://www.nature.com/articles/s41467-022-29144-4#code-availability对应代码链接https://github.com/ucassee/Challenger-Deep-Microbes论文里提供了大部分图的数据和代码，很好的学习材料，感兴趣的同学可以找来参考，今天的推文重复一下论文中的Figure1b论文中提供的代码是用ggpubr这个R包实现的，如果比较着急要结果可以使用这个R包来作图，如果是学习为目的，还是

开放和高效的基础语言模型Paper：https://arxiv.org/abs/2302.13971Code:https://github.com/facebookresearch/llama摘要本文介绍了LLaMA，这是⼀个包含7B到65B参数的基础语⾔模型的集合。作者在数万亿个令牌上训练模型，并表明可以仅使⽤公开可⽤的数据集来训练最先进的模型。特别是，LLaMA-13B在⼤多数基准测试中都优于GPT-3(175B)，并且LLaMA65B与最好的模型Chinchilla-70B和PaLM-540B具有竞争⼒。实验数据集训练数据集是多个来源的混合，如表1所示，涵盖了不同的领域。总体而言，作者的

LLMs：LLaMAEfficientTuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM2/LLaMA2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO训练+DPO训练】)的简介、安装、使用方法之详细攻略目录相关文章LLMs之ChatGLM：ChatGLMEfficientTuning(一款高效微调ChatGLM-6B/ChatGLM2-6B的工具【LoRA/P-TuningV2/FreezeTuning/全量微调】)的简介、安装、使用方法之详细攻略LLMs：LLaMAEfficientTuning(一款可高效微调【全参数/LoR

摘要             深度卷积神经网络（CNN）在许多实际应用中的部署在很大程度上受到其高计算成本的阻碍。在本文中，我们提出了一种新的神经网络学习方案，以同时1）减小模型大小；2）减少运行时内存占用；以及3）在不损害精度的情况下减少计算操作的数量。这是通过以简单但有效的方式在网络中实施通道级稀疏性来实现的。与许多现有方法不同，所提出的方法直接适用于现代CNN架构，为训练过程引入了最小开销，并且不需要用于生成模型的专用软件/硬件加速器。我们称我们的方法为网络瘦身，它将宽网络和大网络作为输入模型，但在训练过程中，不重要的通道会被自动识别并在之后进行修剪，从而生成具有相当精度的瘦而紧凑的模型

一、论文研究领域：城市级3D语义分割论文：EfficientUrban-scalePointCloudsSegmentationwithBEVProjection清华大学，新疆大学2021.9.19论文github论文链接二、论文概要2.1主要思路提出了城市级3D语义分割新的方法，将3D点云语义分割任务转移到2D鸟瞰图分割问题。分为以下三步：3D到BEV投影、稀疏BEV图像分割和BEV到3D重新映射。注：BEV：Bird'sEyeViewBEV投影是指鸟瞰视角(Bird'sEyeView,简称BEV)的一种从上方观看对象或场景的视角，就像鸟在空中俯视地面一样。在自动驾驶和机器人领域，通过传感器

我目前正在处理DNA序列数据，但遇到了一些性能障碍。我有两个查找字典/散列(作为RDD)，以DNA“单词”(短序列)作为键，索引位置列表作为值。一个用于较短的查询序列，另一个用于数据库序列。即使是非常非常大的序列，创建表的速度也非常快。下一步，我需要将它们配对并找到“命中”(每个常用词的索引位置对)。我首先加入查找词典，速度相当快。但是，我现在需要这些对，所以我必须进行两次平面映射，一次是从查询中扩展索引列表，第二次是从数据库中扩展索引列表。这并不理想，但我看不到另一种方法。至少它表现不错。此时的输出为:(query_index,(word_length,diagonal_offset