驽马十驾，功在不舍；锲而不舍，金石可镂。

DDPM(Denoising Diffusion Probabilistic Models)扩散模型由两个过程组成：forward process(diffusion process)以及reverse process。forward process用于以markov链的形式向原始数据逐渐添加高斯噪声；reverse process接受随机噪声，生成目标数据（如图片）。本文介绍均以图片为例。

这里写自定义目录标题1.术语2.涉及模型2.具体实现1.术语WT：wild-typeEvotuning：Evolutionary fine tuningJackHMMER：用于寻找同源序列Evotune：select a subset of public sequences that are closer to the target protein and then fine tune the globally pre-trained weights on the UniRep multipli

RNA二级结构预测系列：基础篇1. RNA的结构1.1 DNA-RNA-蛋白质1.2 RNA的三级结构2. RNA二级结构的常见表示方法2.1 CT (Connectivity Table) 文件表示法2.2 点括号(Dot Bracket)法2.3 平面图与matrix representations（矩阵表示）参考文献1. RNA的结构1.1 DNA-RNA-蛋白质1.2 RNA的三级结构RNA序列由四种碱基组成，分别是腺嘌呤，胞嘧啶，鸟嘌呤和尿嘧啶。这四种碱基组成的序列就是RNA序列，也

paper中所述，该loss更关注各类是否separated，而非不同类之间距离远/相同类聚类更近这样的模式识别分类基本要求。其在MNIST数据集上表现如下，感觉不够惊喜，与CE-LOSS相差不大，并没有达到所提出的类内compact，类间dispense这样的程度。整体来说它的策略也很简单，即除了CE，再额外一部分损失，该损失是为了使得某一层学习到的特征及学习到center之间距离尽可能接近。，git中也展示了mnist数据集上，使用center-loss前后的效果。它的pytorch实现可参考。

GNN入门及常用模型介绍

通过学习此文，可以深入理解下图神经网络中谱空间模型。

之前写了一篇，对numpy中各乘法算子进行了介绍。最近在学习图神经网络GNN/pytorch，其中也涉及了不少乘法算子，以作总结。

pytorch-geometric使用。

lr_scheduler1.WarmupLinearScheduler参考文献lr_scheduler在深度学习模型中经常遇到，虽粗通其理，然未解其中奥秘。简单整理，冀假以时日，略加参悟。1.WarmupLinearScheduler代码参考自https://github.com/huggingface/transformers/blob/main/src/transformers/optimization.py的get_linear_schedule_with_warmup部分。t_total

在深度学习做项目或学习中，需要经常下载一些链接文件，如数据集、预训练模型等，此blog收集了相关内容。下载链接文件1.从aws链接中下载指定文件2.克隆git中的项目到本地参考文献1.从aws链接中下载指定文件import requestsos.mkdir("fluorescence-model")# URL for BERT GFP fluorescence modelgfp_model_path = "https://fluorescence-model.s3.amazonaws.com/

python读取特殊格式文件1.pytorch读取lmdb格式文件参考文献做深度学习/数据分析，数据读取是基础、必需的一环。特整理，以待后用。1.pytorch读取lmdb格式文件内容来源于songlab-cal/tape。from torch.utils.data import Datasetfrom typing import Union, List, Tuple, Sequence, Dict, Any, Optional, Collectionfrom pathlib import Pa

AI常用指标（metric）python实现1.混淆矩阵（confusion matrix）1.1 skleran 官方API1.2 自定义函数1.3 其他参考文献1.混淆矩阵（confusion matrix）混淆矩阵是分类及语义分割任务中的常用指标。1.1 skleran 官方API见参考1，官方示例如下：from sklearn.metrics import confusion_matrixy_true = [2, 0, 2, 2, 0, 1]y_pred = [0, 0, 2, 2,

Faster R-CNN学习笔记1.模型的总体结构2.关于Faster R-CNN的anchor参考文献经典的目标检测模型，有必要庖丁解牛般深入学习下。1.模型的总体结构2.关于Faster R-CNN的anchor由于Faster R-CNN中没有multi-scale 特征图的概念，其anchor仅为对anchor_base在参考文献...

torchnet工具包使用1.混淆矩阵（confusion matrix）举例说明torchnet工具包的使用方法。1.混淆矩阵（confusion matrix）"""Computes the confusion matrix of K x K size where K is no of classesArgs: predicted (tensor): Can be an N x K tensor of predicted scores obtained from the

1.torch.clamp(input, min, max, out=None) → TensorClamp all elements in input into the range [ min, max ] and return a resulting tensor:例：a = torch.randn(4)a#tensor([-1.7718, 1.6657, -0.6174, 0.7067])torch.clamp(a, min=-0.5, max=0.5)#tensor([-0.500