【青听·两岸】“登陆”台青：在大陆的经历让自己坚定当初没有选错****** 来到大陆，他们见证了祖国日新月异的发展和进步，结识了新的朋友、凝聚了新的情感，感受到了同胞的热情和温暖。他们是两岸融合发展的“沟通者”、正能量的“传播者”。两岸青年声音，你我共同倾听。中国新闻网特别推出《青听ㆍ两岸》融媒体栏目，共同记录两岸青年的真实声音。
中新网1月20日电 “登陆”台青：在大陆的经历让自己坚定当初没有选错
作者：马壮 陈文韬
“我们看到的是它(脱贫攻坚)一步一步完成。”
“过去我只有看，这两年确实我们可以参与到(大陆的)高速发展。”
“不是那种冷冰冰的国际大都市的感觉，是非常有人情味的。”
日前，中国新闻网《青听ㆍ两岸》栏目邀请到三位在大陆求学、工作和创业的台湾青年，畅聊大陆这些年的发展变化。
图为郑博宇、黄柏翔、陈冠颖做客中国新闻网“青听·两岸”栏目。 李太源 摄郑博宇，北京台资企业协会青年会副会长，2015年赴大陆发展，“变”是其对大陆印象最深的一个字。在他看来，这个变不仅仅是过去1年的变，是自己过去在在大陆经历的很多时刻中可以真实感受到的变化。
郑博宇说，自己完完整整地“经历”了大陆的“十三五”规划，注意到规划里面的很多目标都在此期间完成。他特别提及脱贫攻坚，“我曾经想，真的有可能(做到)吗？但是事后证明，我们看到的是它一步一步完成。”
在郑博宇看来，“大陆的政策是有计划、有条理的，而且能让你感受到政府确实是有决心要做好的。”
郑博宇举例身边友人在福建平潭的发展经历说，“我几个好朋友在平潭落地做民宿，投入到乡村振兴，每一年都邀请我去他们新的民宿，那种感觉其实是很明显的，可以看到这些改变，不是在纸面上、文字上面，而是你确实能感受到的政策和大方向的。”
作为大陆发展的见证人，郑博宇更加坚定自己当初的选择，“其实经历的过程，让自己对于在大陆落地这件事情更坚定，认为自己是没有选错的。”
然而，参与到大陆的脱贫攻坚，对于一个台湾青年来说又是一种什么体验呢？2020年来大陆读书的清华大学台籍学生陈冠颖，分享了自己和同学参与大陆乡村振兴实践的经历。
“因为我们要了解大陆政府运作的一些状况，这两年有比较关注乡村振兴的状况，也有去参加当地的一些实践，跟大陆的同学们一起做了一些小册子，推广一个村的振兴的一种经验。”陈冠颖说。
陈冠颖在节目中分享道，自己来北京后很喜欢骑着自行车穿梭在胡同里，每看到在胡同平房里做饭的人，在公园下棋的老人家，总能感受到都市里的人情味。尽管北京有着很多高楼大厦，城市中的生活味让自己感受到这不是一座冰冷的城市。
“我发现(在清华)比图书馆位置更难抢的是羽毛球馆、乒乓球馆或者是琴房，大家在里面练钢琴，打球，运动。”陈冠颖说，在清华大学就读的她发现这里的同学并不像网络上说的那么“卷”，反而觉得大陆的同学是在全方面发展。
谈及这些年大陆的变化，光大金融租赁公司转型办公室副主任黄柏翔说，首先是硬体的快速变化。“互联网更发达”“交通更便利”……生活上的便利给在大陆发展的台青们了深刻的印象。
更重要的是，作为在大陆金融企业工作的台湾青年，黄柏翔感受到这两年的一个明显的变化，“在大陆就业的 7 年来，我们发现大陆不仅是硬体，甚至在很多地方有我们可以参与的机会。过去我只有看，但是这两年确实我们可以参与到(大陆的)高速发展。”
“我来了之后，因为我们在金融企业，实际上你会发现金融企业开始关注了是什么？”黄柏翔举例说，比如普惠金融、乡村振兴，包括自己用金融知识参与过的项目，如一些曾经的贫困县，透过绿色风电项目脱贫攻坚，享受到绿色的电力。”(完)
提速近10倍！基于深度学习的全基因组选择新方法来了****** 近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。 全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。 相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟 kk彩票地图 |
