Insights \u0026 Innovations

基于图神经网络进行分子活性预测

该项目通过利用图神经网络来解析和预测化学分子结构对HIV的活性，展示了深度学习在药物发现领域的应用潜力。项目的核心是如何从分子结构中有效提取特征，并利用这些特征进行准确的活性预测。通过解决数据不平衡问题，以及优化模型结构和参数，该项目旨在提高预测HIV活性化合物的准确性。以下是对项目各部分的更加详细的介绍： 数据集介绍 该数据集源自药物治疗计划（Drug Treatment Program, DTP）的抗HIV病毒筛选项目，涉及超过40,000种化合物对HIV复制能力的测试。这些化合物的筛选结果被分为三个类别： 为了简化分析，项目将后两类（CA和CM）合并，形成一个二分类问题：无活性（CI）与有活性（CA和CM）。原始数据包含SMILES格式的分子结构，以及与这些结构相关的活性标签。 训练集示例如下： 项目结构和文件 3.1 config.py 该文件包含模型构建和训练所需的各种超参数。项目中采用了基于贝叶斯的超参数优化策略，通过“mango”库在给定的参数空间内搜索最优的参数组合。 3.2 dataset.py 这个脚本基于torch_geometric包扩展了Dataset类。通过使用rdkit库的Chem包的Chem.MolFromSmiles函数计算分子的性质，这些性质被作为特征输入到图神经网络中进行计算。 3.3 dataset_featurer.py 这是dataset.py的简化版，其功能是用deepchem库中的feat.MolGraphConvFeaturizer函数来获取分子特征，替代了dataset.py中的相关功能。 3.4 model.py […]

基于图神经网络进行分子活性预测 Read More »

困倦检测报警项目

困倦检测系统 在此 Python 项目中，我们将使用 OpenCV 从网络摄像头收集图像并将其输入深度学习模型，该模型将分类人的眼睛是“睁开”还是“闭着”，来决定是否困倦，如果判断困倦则调用警铃进行报警行为。我们将在这个 Python 项目中使用的方法如下： 步骤 1 –将图像作为来自相机的输入。 步骤 2 –检测图像中的人脸并创建感兴趣区域 (ROI)。 步骤 3 –从 ROI 中检测眼睛并将其输入分类器。

困倦检测报警项目 Read More »

神经网络（NN）

Deep Learning create by Arwin Yu Tutorial 01 – Neural Networks Agenda 感知机模型（Perceptron） 多层感知机（Multi-Layer Preceptron） 前向计算（Forward calulation） 反向传播（Backproagation） 基于神经网络的房价回归模型（Housing price

神经网络（NN） Read More »

20240729153214502 E1722238388925

量子力学

Deep Learning Math 量子力学（Quantum mechanics） 量子力学是研究微观物理世界中粒子行为的科学，尤其是在原子和亚原子尺度上。学习几何深度学习之前，了解量子力学中球谐函数和径向模型的概念是有其重要性的，特别是当研究或应用需要处理三维数据或进行复杂的空间分析时。 球谐函数提供了一种有效的方法来表示球面上的函数，这在处理三维几何结构，如建模天体，原子，分子等球形结构时非常有用。通过球谐函数，可以在球面上展开复杂的形状和模式，为深度学习模型提供一种强大的方式来捕捉和学习这些形状的特征。另一方面，在处理三维空间数据时，旋转不变性是一个关键问题。球谐函数具有天然的旋转不变性特性，这意味着它们可以帮助构建对旋转不敏感的模型，提高模型泛化能力。 径向模型对于描述空间中点与点之间的关系非常有效。在几何深度学习中，建模物体内部或不同物体之间的空间关系是很重要的。径向基函数能够捕捉这些复杂的空间模式，并在诸如分子动力学模拟、蛋白质结构预测等领域发挥作用。更重要的是，几何深度学习经常需要在不同的尺度上分析数据。径向模型可以提供一个自然的框架来实现这一点，因为它们可以在不同的尺度上调整，从而允许模型同时学习局部和全局特征。这对于理解和处理复杂的三维结构特别有价值。 Agenda 量子力学简介 对称性(Symmetry) 不变性(Invariance) 等变性(Equivariance) S0(3) Group 群的表示(Representation of Groups) 量子力学（Quantum mechanics）

量子力学 Read More »

20240729153520772 E1722238530412

群论

Deep Learning Math 群论（group Theory） 在学习几何深度学习之前，具备群论的基础知识是非常重要的，原因在于几何深度学习处理的数据和问题往往涉及到复杂的空间变换和对称性，例如，分子结构在旋转或镜像反射后可能保持不变，三维物体的形状在不同视角下具有旋转对称性。识别和利用这些对称性对于理解数据的本质特征至关重要。而群论恰恰提供了一种强大的数学工具来描述和理解这些变换和对称性。通过使用群论的概念设计的深度学习模型能够更好地理解和利用数据的内在对称性，从而提高模型在未见数据上的泛化能力。对于变换不变性和等变性的理解有助于构建在面对数据变换时依然稳定表现的模型，这对于许多实际应用至关重要。 Agenda 群的定义(Definition of Group) 对称性(Symmetry) 不变性(Invariance) 等变性(Equivariance) S0(3) Group 群的表示(Representation of Groups) 群的定义(Definition of

群论 Read More »

20240729161025468

图论

Deep Learning Math 图论（graph Theory） 图论在深度学习中用于处理和分析结构化数据。图的表示方式（邻接矩阵和邻接列表）使得我们能够有效地编码复杂关系和连接信息。图的全局属性，如连通性和最短路径，帮助理解图的整体结构，优化模型中的路径规划和连通性分析。 节点的中心性指标（度中心性、特征向量中心性等）用于识别图中关键节点，提高图神经网络（GNN）模型的性能。图的向量化方法（节点和边的嵌入）将图的结构信息转化为可处理的向量形式，使得图数据能够被深度学习模型高效利用。这些技术在社交网络分析、推荐系统和分子结构预测等应用中发挥了重要作用。 Agenda 图的表示(Graph Representation) 邻接矩阵(Adjacency Matrix) 邻接列表(Adjacency List) 图的全局属性(Global Attributes) 连通性(Connectivity) 直径与最短路径(Diameter and Shortest

图论 Read More »

Scroll to Top