2023年考研倒计时这些注意事项要知道******
2023年全国硕士研究生招生考试将于2022年12月24日至26日举行，从公布的报名数据来看，考研热度仍然不减。
在当前全国疫情呈较快发展态势下，多地发布相关措施及提醒，帮助考生顺利、安全参加考试。
多地公布2023年考研报名人数
2023年考研一天天近了，此前多所高校及各地报考点公布今年的报考人数等情况，大多都呈上升趋势，有的还创下历史新高。
近日，多地也陆续公布2023年考研的报考人数。如安徽省，今年共232080名考生参考，比2022年研考报名人数增加了1.53万人，再创历史新高。
在陕西省新冠肺炎疫情防控工作第四十九场新闻发布会上，陕西省教育厅副厅长王海波介绍，今年陕西省2023年考研报名人数为17万1900人，比上年增加2.46%。
同样呈增长趋势的还有广西壮族自治区，2023年广西研考报名人数突破9万人，比去年增加1.1万人，同比增长13.9%，考生规模连续多年大幅增长。
相比之下，辽宁省今年报考人数变化不大。据统计，今年辽宁省硕士研究生报考人数接近15万，相比去年的报考人数150033人有小幅下滑。
多地要求：考生提前返回报考点所在地备考
鉴于目前疫情形势复杂，为保障广大考生顺利应考，多地发布通知及温馨提示，要求考生合理安排行程，及时返回报考点备考。
如北京教育考试院 12月1日发布温馨提示，对于目前尚未返京的考生，随时关注当前所在地和考点所在地疫情防控政策，尽早按照进返京要求返京备考，确保如期顺利参加考试。
12月2日，吉林省教育考试院也发布温馨提示，目前仍在外地的吉林省考生，请尽早规划返回行程，提前回到报考点所在地备考，严格执行防疫要求，以免耽误考试。
还有多地对于返回时间做了要求，如天津市教育招生考试院发布温馨提示，在津报名考试、尚在外地的考生，建议在12月17日前返津。上海市教育考试院要求，在上海本市参加考试的考生，考前7天须在沪。
此外，浙江、山西、湖北等多省份都提前对在省外的考生进行摸排，填报当前所在地、因疫情受管控、分流返乡、学校未开学等信息。浙江省教育考试院还发布通知，因疫情管控等原因滞留外省的浙江省考生应及时向原报考点报告。
考生注意：考前要健康打卡
在疫情防控方面，多地都要求，考生返回考点所在市后至考试结束前，尽量减少流动，避免前往涉疫地区和人员密集的公共场所，非必要不离开考点所在市。
山东省教育招生考试院发布重要提醒称，考生要按照要求做好考前连续7天体温及健康状况监测。上海市教育考试院则要求，考前14天，考生须做好个人健康防护和自我健康监测。
此外，多地都要求，考生要提前在线上进行健康信息填报，并每日完成健康打卡。
如天津市教育招生考试院要求，所有在津报名考试的考生，均须从12月10日开始，每日登录“天津市研考健康监测小程序”进行健康信息填报，并如实填写《健康卡》和《流调表》。陕西省教育考试院也要求，考生考前连续14天(12月10—23日)进行健康打卡。
辽宁省招生考试办公室要求，考前21天(12月3日)开始，所有考生须使用手机登陆“辽宁研考”微信小程序，每天按要求如实完成健康打卡。河南省教育考试院则要求，考前14天至考后3天(12月10日—28日)，要通过“健康上报”App 每日进行健康上报。
重庆市教育考试院要求，自12月5日开始，所有考生每日务必登录重庆市教育考试院官网“研考健康防疫信息上报系统”，按要求如实准确填报个人相关信息。此外还提到，如未按时如实填报信息的，可能会影响正常参考。(记者袁秀月)
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
