deepwalk源码解读8: scoring.py

最新推荐文章于 2025-10-17 18:56:15 发布
原创 最新推荐文章于 2025-10-17 18:56:15 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

此博客将对walkwalk的scoring.py源码进行解读，但具体内容待后续补充。

这里留待以后来写

图嵌入】DeepWalk原理与代码实战
04-16 2259
https://blog.csdn.net/bqw18744018044/article/details/106530702?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242
DeepWalk代码解释
Firmiana1220的博客
08-29 5749
代码运行 对给定的图数据集生成节点的embedding： 先对图中的节点进行随机游走 再将随机游走的路径作为Word2Vec的输入，生成节点的embedding 执行代码如下： python __main__.py --input ../example_graphs/karate.adjlist --output ../example_graphs/karate.embeddings pyt...
deepwalk算法
04-08
用于deepwalk的python算法代码，很好用的，对于想要理解deepwalk的同学可以看看。
AI不会“记住“？Mem0长期记忆系统原理与实战指南
最新发布
m0_59162559的博客
10-17 1380
Mem0是AI长期记忆系统标杆项目，通过模拟人类记忆逻辑解决AI健忘问题。系统采用记忆全生命周期管理架构，整合LLM理解、向量存储和策略引擎三大核心组件，实现记忆的提取、存储、检索与优化。文章详解其技术实现与落地策略，强调应根据场景语义定义记忆粒度，分类存储并管理记忆生命周期，让AI精准记忆关键信息而非盲目堆砌。
matlab中代码意思-deepwalk-c:C++中的DeepWalk实现
05-26
matlab中代码英文深度漫步 DeepWalk在C ++中的实现。 DeepWalk使用简短的随机游走来学习未加权图中顶点的表示。 安装及使用 对于C ++可执行文件： cd src && make; 在大多数平台上应该足够了。 如果您需要更改默认编译器（即更改为Intel），请使用： make CXX=icpc 英特尔:registered:FMA可用性对于实现性能至关重要，这意味着处理器Haswell（2013年）。 如果您的处理器不支持，则会在运行时收到警告。 用法 Usage: deepwalk [OPTIONS] Options: -input PATH Input file in binary CSR format -output PATH Output file, written in binary -threads INT Number of threads to use (default 1) Note: hyperthreading helps as well -dim INT DeepWalk parameter d: dimensionality of embeddings (de
deepwalk源码解读1: argparse
相国大人
09-13 3041
argparse 是 Python 内置的一个用于命令项选项与参数解析的模块，通过在程序中定义好我们需要的参数，argparse 将会从 sys.argv 中解析出这些参数，并自动生成帮助和使用信息。最常用的有： ArgumentParser() add_argument() parse_args() 这里的参数包括两种，一种是定位参数”positional arguments”，又叫做必...
DeepWalk代码实战-维基百科词条图嵌入可视化
保持学习
04-23 639
DeepWalk代码实战-维基百科词条图嵌入可视化
logistic回归报错问题：Warning messages: 1: glm.fit:算法没有聚合 2: glm.fit:拟合機率算出来是数值零或一
热门推荐
程松
07-26 6万+
logistic回归的时候报错问题包括下面两种 Warning: glm.fit: algorithm did not converge Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred Warning messages: 1: glm.fit:算法没有聚合 2: glm.fit:拟合機率算出来是数值...
DensePose（四）：config.py
qq_38213612的博客
07-26 3911
DensePose是在Detectron平台上做的密集姿态估计，此处Detectron的confg.py 文件相比较于原来MR-CNN以及KR-CNN时用的config.py做了一些添加与改进。如果之前对于Detectron比较熟悉，可以直接看 18.DensePose R-CNN options 下面是一些关于config.py写在前面的注释： """ Detectron配置系统. 这对...
Python库 | datarobot_batch_scoring-1.8.7-py2.py3-none-any.whl
05-30
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：datarobot_batch_scoring-1.8.7-py2.py3-none-any.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
ROS Navigation stack setup ERROR： Costmap2DROS transform timeout.
Will_Ye的博客
05-11 4347
Problem： 用move_base导航package测试一下，编译成功， 然后也配置了对应的6个参数文件： costmap_common.yaml costmap_exploration.yaml costmap_global_laser.yaml costmap_global_static.yaml costmap_local.yaml planner.yaml 以上这些参数文件可能跟move_base的版本有关系，我查解决方法的时候，发现有些人的配置文件只有5个，我这里有6个，所以具体还是要根据
deepwalk 代码实战
发呆的比目鱼的博客
05-09 972
deepwalk 代码实战 Paper原理参考 class DeepWalk: def __init__(self, graph, walk_length, num_walks, workers=1): self.graph = graph self.w2v_model = None self._embeddings = {} self.walker = RandomWalker( graph, p=1, q
deepwalk:DeepWalk - 图的深度学习
07-24
深度行走 DeepWalk 使用短随机游走来学习图中顶点的表示。 用法 示例用法 $deepwalk --input example_graphs/karate.adjlist --output karate.embeddings --input：input_filename --format adjlist用于邻接列表，例如： 1 2 3 4 5 6 7 8 9 11 12 13 14 18 20 22 32 2 1 3 4 8 14 18 20 22 31 3 1 2 4 8 9 10 14 28 29 33 ... --format edgelist边缘列表的边缘列表，例如： 1 2 1 3 1 4 ... --format mat用于包含邻接矩阵的 Matlab .mat 文件 （注意，您还必须指定邻接矩阵--matfile-variable-name ） --outpu
整理版DeepWalk-1.0.3
01-25
在官方DeepWalk1.0.3的基础上，添加了DeepWalk1.0.2中的example_graphs/文件夹和DeepWalk论文中使用的数据集，并就兼容性问题，更改了部分代码。
deepwalk, 图的DeepWalk深度学习.zip
09-18
deepwalk, 图的DeepWalk深度学习 DeepWalkDeepWalk使用短随机游动来学习图中顶点的表示。用法示例用法 $deepwalk --input example_graphs/karate.adjlist --output karate.embeddings
deepwalk源码解读7: skipgram.py
相国大人
10-16 1316
这里留待以后写
深度探索：机器学习中的DeepWalk算法（无监督图嵌入算法）原理及其应用
qq_51320133的博客
04-15 3791
DeepWalk作为一种开创性的无监督图嵌入算法，成功地将自然语言处理领域的词嵌入技术引入网络结构学习，为理解和挖掘复杂网络的深层结构提供了有力工具。尽管存在一些局限性，如对随机游走策略的依赖、超参数敏感等，但其简洁的设计理念和广泛的适用性使其在众多实际应用中表现出色。 未来，研究者可继续探索优化游走策略、自适应调整嵌入模型、融合节点属性信息等方向，以进一步提升图嵌入算法的性能和泛化能力。同时，随着图神经网络（GNN）的发展，结合深度学习框架与图嵌入方法的研究有望推动网络表征学习迈向新的高度，为复杂网络系
deepwalk源码解读2: __main__.py
相国大人
09-13 6938
deepwalk源代码链接：https://github.com/sunxiangguo/NRL_deepwalk 1. 准备工作 2. 详细解读 2.1 import 2.2 main() 2.3 process(args) 2.4 程序入口 3. deepwalk文件逻辑 1. 准备工作 __main()__.py 文件是程序的入口，主要包含两段代码，一个是main(),...
deepwalk源码解读4: Counter源码解读
相国大人
09-14 1036
Counter源码解读
Traceback (most recent call last): File "dock_test.py", line 44, in <module> docking_highres = DockingHighRes(scorefxn) TypeError: __init__(): incompatible constructor arguments. The following argument types are supported: 1. pyrosetta.rosetta.protocols.docking.DockingHighRes() 2. pyrosetta.rosetta.protocols.docking.DockingHighRes(rb_jump: int) 3. pyrosetta.rosetta.protocols.docking.DockingHighRes(rb_jump: int, scorefxn: pyrosetta.rosetta.core.scoring.ScoreFunction) 4. pyrosetta.rosetta.protocols.docking.DockingHighRes(rb_jump: int, scorefxn: pyrosetta.rosetta.core.scoring.ScoreFunction, scorefxn_pack: pyrosetta.rosetta.core.scoring.ScoreFunction) 5. pyrosetta.rosetta.protocols.docking.DockingHighRes(movable_jumps: pyrosetta.rosetta.utility.vector1_int, scorefxn: pyrosetta.rosetta.core.scoring.ScoreFunction, scorefxn_pack: pyrosetta.rosetta.core.scoring.ScoreFunction) 6. pyrosetta.rosetta.protocols.docking.DockingHighRes(arg0: pyrosetta.rosetta.protocols.docking.DockingHighRes) Invoked with: <pyrosetta.rosetta.core.scoring.ScoreFunction object at 0x7f60f954fd70>
07-02
这个错误提示： ``` TypeError: __init__(): incompatible constructor arguments. ``` 表示你调用 `DockingHighRes(scorefxn)` 时，**参数顺序或类型不匹配**。根据错误信息，`DockingHighRes` 的构造函数需要 **先提供 `rb_jump`（刚体跳跃编号）**，然后再是 `scorefxn` 和可选的 `scorefxn_pack`。 --- ### ✅ 正确使用 `DockingHighRes` 构造函数 你需要传入一个整数 `rb_jump`，它表示在 Pose 中哪一条链通过跳跃连接（通常为 1 表示配体相对于受体的移动）。如果你不确定，可以设为默认值 `1`。 #### ✅ 修改后的代码示例： ```python from pyrosetta import init, pose_from_pdb from pyrosetta.rosetta.protocols.docking import DockingProtocol, DockingHighRes from pyrosetta.rosetta.core.scoring import get_score_function # 初始化 PyRosetta init() # 加载两个蛋白结构作为受体和配体 pose_receptor = pose_from_pdb("protein1.pdb") pose_ligand = pose_from_pdb("protein2.pdb") # 创建评分函数 scorefxn = get_score_function() # 创建高分辨率对接协议：必须指定 rb_jump 和 scorefxn rb_jump = 1 # 刚体跳跃编号，通常为1 docking_highres = DockingHighRes(rb_jump, scorefxn) # 设置对接流程 docking_protocol = DockingProtocol() docking_protocol.set_docking_prot(docking_highres) docking_protocol.set_num_cycles(10) # 设置采样次数 # 执行对接 print("开始对接...") docked_pose = docking_protocol.apply(pose_receptor, pose_ligand) # 输出结果 print("保存对接结果...") docked_pose.dump_pdb("docked_result.pdb") ``` --- ### 🔍 常见原因总结： - `DockingHighRes()` 构造函数需要 **第一个参数是 `rb_jump`**，不能直接只传 `scorefxn`。 - 如果你省略了 `rb_jump` 参数，就会出现此类型不匹配错误。 - 多数情况下，对接系统中使用 `rb_jump=1` 即可。 ---
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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