请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
“生物学背景先说到这里。接下来我重点讲算法层面的设计逻辑，包括网络架构的选择依据、目标函数的构造方式、以及贝叶斯优化在这个问题上的适用条件。”
这句话说完之后。
林晓翻到第三页，屏幕上是一张流程图。
“我们做的第一件事，不是直接建模，而是先对密度图做局部质量评估。”
“具体来说，就是把整张密度图切分成重叠的短片段，每个片段单独评估它是否达到了可建模的清晰度。”
“这个评估没有靠人工目测，而是训练了一个卷积神经网络来打分。网络的输入是局部密度图的二维投影，输出是一个0到1之间的质量分数。”
“训练数据来自已知糖质晶体结构生成的模拟密度图，加上不同水平的噪声和模糊处理，让网络学会区分清晰和模糊的边界。”
他翻到第四页，屏幕上出现了网络架构的示意图。
“网络结构本身其实并不复杂，五个卷积层加两个全连接层，没有用残差连接，也没有用注意力机制。”
“原因是训练数据量有限，太深的网络容易过拟合。激活函数用的是ReLU，损失函数是二元交叉熵，优化器用的是Ada。”
“训练过程中加了droout和早停，防止过拟合.......”
而台下那几个刚把注意力收回来的学生，没过几分钟又陷入了之前的状态。
每一句话都是标准的算法术语，单独拆开都听得懂。
但连在一起就变成了一个他们跟不上的节奏。
有人低下头翻手机，有人假装看屏幕但眼神已经飘了。
之前听不懂还有理由。
毕竟讲的是生物，不是一个专业的。
但现在都换成本专业的内容了。
可为什么还是听不懂？
当然，这个场合没有人会说出口。
而迈克尔·斯通布雷克坐在第一排靠中间的位置。
他本来靠在椅背上，手里拿着一支笔，偶尔在面前的打印稿上写几个字。
当林晓讲到网络结构的时候。
斯通布雷克动作一顿。
好像开始有点意思了。
以他的水平。
这个内容对他来说，当然是小case。
但这个细节很不错啊！
林晓在解释网络设计时，没有把卷积层当成一个黑箱来用。
而是明确说训练数据量有限，太深的网络容易过拟合。
这意味着他在设计网络之前，已经对数据规模和数据分布做了估计。
然后根据这个估计反向决定了网络的深度。
这个思路虽然在计算机科学的算法设计中是基本素养。
但在跨学科应用里。
很多人会直接套用现成的网络架构。
不管数据规模是否匹配。
林晓却没有这么做。
紧接着，课件翻到第五页，开始讲贝叶斯优化。
“局部质量评估解决了哪些片段是可用的，接下来要解决的问题是构象分类。”
“糖质结构的局部片段在不同样品中可能呈现多种构象，我们需要把它们按构象类型分组。”
略......
“这里涉及的参数空间有三个维度：分类粒度的切分窗口长度、片段之间重叠区域的去冗余阈值、以及局部平均后的信噪比筛选标准。”
“这三个参数相互耦合，手动调整效率很低。”
“所以我们用贝叶斯优化来搜索参数空间中的最优组合。”
此时，迈克尔·斯通布雷克大概心里已经有点数了。