- 博客(35)
- 收藏
- 关注
RSS订阅原创 Java学习-----对象克隆
知识点一（条件一）：标记型接口，标记了才能生效，例如cloneable接口就是标记型接口，里面没有任何抽象方法需要实现，但是类只有implement了这个接口才可以被克隆。条件二：一个类要克隆还要重写Object类的clone方法（小知识：所有的类都默认继承Object类）。可见frog对象调用clone方法创建了一个新的对象frog1并将frog的属性赋给了frog1。
2022-11-01 00:08:23
222
原创 【项目实训】关于python文件上传数据库与下载出现乱码问题
关于python文件上传数据库与下载出现乱码问题在我们的项目中，发起任务的用户需要将模型架构文件上传到数据库（此功能已实现），而其他用户如需要加入任务则需要对创建者所上传的python文件（模型架构）进行下载，所以此次对下载的接口的实现与遇到的问题和改进进行叙述。下面的代码是最初的实现，大概逻辑就是先使用django操作数据库表得到对应任务id的py文件的字节流，然后创建并找到一个downloads文件夹，根据任务id作为文件名创建py文件并将字节流写入，最后通过FileResponse返还给前端进行下载。
2022-06-12 00:47:09
412
原创 【项目实训】关于使用python的socket进行数据传输时缺失数据的解决方法
在后端与聚合端的交互中存在这样一个操作，就是后端需要把torch包之下通过将模型load_state_dict提取到的模型参数通过网络送到聚合端进行聚合，而聚合端在进行聚合操作后也需要将网络参数字典返还到后端。我们的项目采用了python标准库中的socket以及pickle来进行这样的操作，其好处是两边只要使用相同的class对象即可进行对象的传输。而目前我们遇到的问题在于传输较大的字节流时，猜测是由于传输与接收速度不匹配的缘故，会出现一个提示socket pickle data was truncate
2022-06-11 21:10:59
1261
原创 【项目实训】个人博客之django与mysql文件操作
将本地相对路径img/img1.jpg的文件写入数据库从数据库查询取出文件并保存到本地查询数据库并保存文件到app1/img/img1_copy.jpg网络模型与数据库的上传与加载上传model到数据库将modelTrain方法返回得到的模型参数字典保存为.model文件...
2022-06-08 13:06:47
133
原创 【项目实训】个人开发博客之django与阿里云RDS连接操作
连接成功后即可使用Navicat操作阿里云数据库了2、init配置首先安装一个pymysql然后，在setting.py同级目录下的__init__.py中3、在rear_core下建立models.py文件执行完以后去看models.py文件，会发现它已经把数据库中的表映射成对象了在view.py中首先是这样引入5.2、简单例子以一个简单的插入操作为例随后启动django服务访问http://127.0.0.1:8000/core/register刷新Navicat发现数据即为插入成功（
2022-06-08 13:02:25
372
原创 【项目实训】0528公共周报
本周工作：前端：1，优化了前端界面，去除了冗余代码2，修复了部分界面中，“刷新”按钮不能回显的问题3，完成说明界面4，完成隐私政策界面后端：1，修复了文件上传大小受限制的问题2，实现通过网页的文件上传和文件下载3，协助聚合端测试，设计测试用例4，协助前端测试文件上传下载，任务发布功能聚合端：1，通过查资料与测试发现，使用个人热点就可以利用socket传输数据，而不必再依赖网线(校园网的处理地址处理方式肯定理解有误）2，学习了pycharm中gitee的数据上传与下载3，设计并测试
2022-05-28 21:51:32
117
原创 【项目实训】0514公共周报
项目实训第十周周报本周工作成功完成了数据库的配置需要在settings.py文件中将DATABASE中的数据库名字设置清晰在后端完成了对数据库进行等待和查找的功能解决了apps.py中的路径查找问题前端添加了首页展示的内容，同时添加了“使用说明”的一级导航栏，以及“所有任务”和“发布任务”的二级导航栏后端完成了“登录“、”注册”的功能逻辑实现遇到的问题程序报错ValueError: source code string cannot contain null bytes，问题
2022-05-22 18:13:00
350
原创 【项目实训】0507公共周报（附数据库连接与操作说明文档）
0514项目实训公共周报（附数据库连接与操作说明文档）前端1、layout页面做了重定向，修改命名；2、添加了头像部分；3、对前端界面进行了优化，更加美观；4、探索了前端采用JavaScript调用python程序的方法，目前仅发现IE浏览器还存在这样的功能，而IE并非当前主流浏览器，所以此类方法还需进一步探究。后端1、增加了模型训练和模型选择部分；2、实现django与mysql建立连接与操作，并且编写了说明文档；3、在建立数据库连接的前提下实现了登录注册的后端接口。数据库连接与操作说
2022-05-14 09:54:55
202
原创 【项目实训】0501公共周报
【项目实训】0501公共周报一、进一步明确了总体架构如图：二、明确功能点及具体细节1、展示所有任务点击左侧侧边栏《所有任务》向后端发送展示请求，后端读取数据库数据，返还给前端进行展示(这个不需要实时，只需要点击刷新即可)；注意：在任务展示的表格，前端展示可以用：表格的单选、多选、某一行用标签显示该任务的状态。2、发布任务点击左侧侧边栏《发布任务》，右边界面切换（通过路由实现），输入相应数据（后续统一），点击发布即可发布任务；发布的时候可以用一个弹出的表单让用户输入任务的名字、类型等。注
2022-05-12 22:36:16
193
原创 【项目实训】0408公共周报
项目实训第五周周报本周工作：为了实现前后端持续沟通的问题，使用双工通信的WebSocket来代替Ajax，从而避免了HTTP的单向通讯反复消耗资源。接收到信息就可以直接进行更改，添加新数据。在vue的methods中直接去掉axios的方法，然后添加initWebSocket方法，然后可以实现前后端的沟通，此外，再在vue的default中添加mounted方法进行挂载。pycharm里加入插件Vue.js，从而解决了多编辑器的问题，大大加快了团队的工作效率。经过了多次交流，我们又优化了联邦学
2022-05-01 20:47:12
113
原创 【项目实训】个人开发记录博客
神经网络模型以及数据问题dataset和label可以用TensorDataset来转换为一个可以放入DataLoader的类permute维度换位，为了适配网络参数输入顺序解决问题，之前一直用的是torch.Tensor,现在知道tensor也要分类型了，一般图像的数据使用FloatTensor，标签使用LongTensor，这样就不会在计算loss的时候报数据类型的错误了模型和数据都跑通了，那么接下来的任务就是像mnist那样对数据集进行分割了参考对mnist数据集分割的代码：def
2022-04-27 16:40:37
1222
原创 【项目实训】0424 公共周报
一，项目结构修改1，前端可以创建联邦学习任务2，用户发的Message要包含自己属于哪个组的信息3，聚合端要与数据库交互，存储一个组的信息，报过标识，组内人数，组内具体有哪些人二，报告了聚合端结构修改当前聚合端逻辑：接收一个模型就立刻聚合，并返回，如果一个后端没有发送模型就不会接收到模型(每一轮都是)假设有A，B两个后端后端AB各发送一份模型过来，假设A先被接收到，聚合端将会把A用于聚合并仅把聚合后模型返回给A然后B的被接收到，把B用于聚合，并仅把模型返回给B，因为在这理论聚合中A并没有贡献
2022-04-24 22:27:32
750
原创 【项目实训】0415公共周报
近期工作通过前两周的代码编写，基本实现了基础联邦学习的可视化展示。1.后端模型的训练首先我们通过postman（后端测试工具）测试了客户端后端模型训练的整合工作（注释掉了和聚合端的通讯，先测试模型训练部分的代码整合），成功实现后端的模型训练，示意图如下。2.前端界面的开发经过上上周的讨论，确定了前端界面的整体布局，大致草图如下：通过上面的草图，我们使用基于vue的element-plus组件设计了整体界面， 目前布局基本完成，里面的细节还有待优化，与后端的连接测试尚未进行。3.聚合端的
2022-04-15 16:34:28
593
原创 【项目实训】0320公共周报
【项目实训】0320公共周报项目实训总结（三）一、本周工作总结论文研读《Communication-efficient learning of deep networks from decentralized data》，辅以代码分析 ：1、模型结构①有K个固定客户端，每个客户端有自己的本地数据集②每轮随机算则C个客户端，服务器把当前全局算法状态发给这C个客户③每个选定的客户端基于全局状态及本地数据集执行本地计算，并行向服务器发送更新④服务器将这些更新应用于全局状态⑤重复该过程2、本实验
2022-03-25 12:48:04
344
原创 【项目实训】0313公共周报
项目实训总结二一，本周工作刘云聪：1，实现前后端通讯搭建与测试2，聚合端实现方法测试廖嘉麒：1，确立聚合端模型参照论文《2017-FedAvgCommunication-Efficient Learning of Deep Networks》，并精读2，阅读对应代码，初轮注释，并安装好对应资源二，周会讨论1，完成前后## 标题端+聚合端的分工2，实现后端与聚合端通讯(使用socket)+前后端通讯(使用Django)3，阅读了大量论文，明确《Communication-Eff
2022-03-13 11:26:48
2229
原创 【项目实训】0306公共周报
项目实训总结一项目介绍开学第一周，我们选择了异步分布式联邦学习作为我们本学期项目实训的题目。首先先介绍一下什么是联邦学习、什么是异步分布式联邦学习以及异步分布式联邦学习相较于传统的联邦学习有哪些优点。联邦学习联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学
2022-03-07 10:47:41
876
1
原创 AttributeError: module ‘torch.nn.parameter‘ has no attribute ‘UninitializedParameter‘解决方法
最近搭建gnn需要用到torch-geometric和torch，这俩常常会出现版本不兼容问题（顺带一提，我没有使用cuda，用的是cpu，所以要使用cuda的话还请注意cuda与torch的兼容性问题）报错原因1.5.0版本的torch不存在UninitializedParameter的属性，而我查阅1.9.1版本的torch是存在这个属性的，但是torch-geometric 2.0.3（目前的最新版）不支持1.9.1版本的torch，所以尝试选择降低torch-geometric版本为1.7，降低
2022-02-06 13:55:39
1913
原创 windows安装cpu版本的torch-geometric教程（附对应版本torch）
前提：conda环境1、下载到本地1.1 下载torchtorch下载网址图中圈起来的部分是windows版本的torch，根据自己的python版本下载，例如cp38代表python3.81.2 下载torch-geometric依赖包torch-geometric依赖包下载地址选择torch-1.5.0+cpu进入页面后，分别下载torch_cluster、torch_scatter、torch_sparse、torch_spline_conv，任意版本均可（注意对应python版本以
2022-01-28 19:55:39
4190
1
原创 DTA代码运行与分析中踩坑与知识点记录2021SC@SDUSC
2021SC@SDUSC总结一篇踩坑与知识点记录：有关pytorch安装：如何查看当前cuda版本：在linux下，在命令行中输入nvcc -V，如下图得知，cuda版本为9.1知道了cuda版本如何下载对应版本的torch？方法一：pytorch官网 https://pytorch.org/get-started/locally/根据自己的环境选择对应的选项，然后赋值下面的命令到终端中进行安装即可方法二（推荐）：此方法是由于我方法一没有找到对应的cuda版本而探索出的，同时也有人反映通
2021-12-28 23:28:36
323
原创 FraGAT分子数据处理源码分析2021SC@SDUSC
FraGAT分子数据处理源码分析2021SC@SDUSCFraGAT创建数据集方法，之前的博客中没有深入研究，此处研究后发现仅仅返回的是将txt转换为{SMILES：Value：}的字典，然后根据配置分割成为训练集测试集和验证集。完整代码：def CreateDatasets(self): #获取opt中的数据集路径 file_path = self.opt.args['DataPath'] print("Loading data file...") #创建FileLo
2021-12-28 21:38:03
607
原创 FraGAT：一种针对分子特征学习的图神经网络 源码解读分析 2021SC@SDUSC
2021SC@SDUSCFraGAT：一种针对分子图特征提取的GNN，对于我们的DTA任务的分子表示学习部分有很大的启发，下面将学习分析它的代码与训练过程。任务类型：线性回归输入：药物分子SMILES预测输出：分子属性值FraGAT网络架构如下，它是分子经过断裂处理后分为四个部分经过特征提取最后拼接而获得最终的分子表示，我们的DTA任务的分子特征提取部分可以借鉴这一点，所以我们的重点将放在如何提取concat之后，进入FCN之前的特征向量。代码分析：从论文作者的训练实例开始分析（ESOL_s
2021-12-28 18:31:31
2178
原创 Deep drug-target binding affinity prediction with multiple attention blocks论文解读（二）2021SC@SDUSC
2021SC@SDUSC数据集然后是对基准数据集的介绍，KIBA和DAVIS使用CI和r2m度量标准来衡量所提出的模型和基准模型的性能。对于Davis和KIBA数据集中蛋白质和药物的输入，我们采用了DeepDTA方法，通过字典将药物和蛋白质序列的smile数字化到一个固定的最大长度。deepDTAdeepDTA论文笔记：csdn：https://blog.csdn.net/qq_40311018/article/details/109672553实验设置作者在基准数据集上评估了MATT
2021-12-28 06:23:18
851
原创 Deep drug-target binding affinity prediction with multiple attention blocks论文解读（一）2021SC@SDUSC
2021SC@SDUSC论文解读：摘要：DTI预测背景：药物靶间相互作用(DTI)预测由于其在药物发现过程中的重要地位而受到越来越多的关注。许多研究引入计算模型，将DTI预测作为回归任务，直接预测药物靶对的结合亲和性。现有研究的缺陷与作者提出的模型：然而，现有的研究在编码药物化合物时忽略了原子之间的本质相关性，仅仅通过连接来模拟药物靶对的相互作用。基于这些观察，在本研究中，我们提出了一个端到端的模型与多个注意块来预测药物靶对的结合亲和性得分。作者模型的效果：我们提出的模型提供了通过关系感知自
2021-12-28 06:23:00
1065
原创 DGraphDTA训练部分源码解读分析（二）2021SC@SDUSC
2021SC@SDUSC加载亲和力值数据affinity = pickle.load(open(dataset_path + 'Y', 'rb'), encoding='latin1') 设置四个list分别存储药物SMILES、蛋白质序列、蛋白质key、药物分子式，并使用数据集通过循环将它们填满drugs = []prots = []prot_keys = []drug_smiles = []# smilesfor d in ligands.keys(): lg = Chem.
2021-12-28 06:05:27
1360
原创 DGraphDTA训练部分源码解读分析（一）2021SC@SDUSC
2021SC@SDUSCDGraphDTA任务训练部分完整代码：model = GNNNet()model.to(device)model_st = GNNNet.__name__# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')#设置lossfunctionloss_fn = nn.MSELoss()#设置优化器optimizer = torch.optim.Adam(model.paramete
2021-12-28 06:05:09
1396
原创 DGraphDTA神经网络架构源码分析 2021SC@SDUSC
2021SC@SDUSC 在此前的文章已经对此部分的流程进行了解读，本文将基于目前已经获取到分子图与蛋白质图，从代码的层面分析DGraphDTA任务中神经网络的结构以及运作流程。DGraphDTA结构图：网络结构完整代码：# GCN based modelclass GNNNet(torch.nn.Module):#初始化网络结构 def __init__(self, n_output=1, num_features_pro=54, num_features_mol=78, outpu
2021-12-26 14:59:16
1768
1
原创 蛋白质FASTA与药物分子SMILES数据集文本数据处理与可视化分析（二）2021SC@SDUSC
2021SC@SDUSC 接续上文，现在来处理我们DTA任务的数据集（图中数据集来自davis数据集的SMILES部分），可以看到我们的数据集只有一行，并且已经形成一个字典形式，所以要处理我们的数据集，仅仅用到刚刚学习到实例中的方法是不够的，现在解决的关键点在于如何将txt文件中的字典转换到python中的字典DeepDTA中的加载方式如下：可见其使用了json对txt文件进行了加载，加载后具体形式目前还不清楚，接下来我们进行实验操作我们参照上述方式加载SMILES文件，打印发现其类型为Order
2021-12-16 22:08:50
1150
原创 蛋白质FASTA与药物分子SMILES数据集文本数据处理与可视化分析（一）2021SC@SDUSC
本文基于davis数据集进行操作2021SC@SDUSC首先最直接的方式是学习一下别人的项目中是如何处理数据的在项目代码中，指定了一个ParamList的字典用键值对的方式存储配置信息下图为所选的数据集ESOL_SMILESValue.txt的结构，每一行数据逗号左侧为分子SMILES序列，右侧为该分子对应的label下一步就是把刚刚的ParamList（此次已封装到opt里），将opt作为参数送入MolDatasetCreator构造方法中创建一个对应的对象，后续会使用此对象进行进一步处理，接下
2021-12-15 15:16:17
1508
原创 论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（二）2021SC@SDUSC
论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（二）Drug–target affinity prediction using graph neuralnetwork and contact maps文章采用的验证指标：CICI主要用于计算分析中预测值与真实值之间的区别其中bx为较大亲和dx的预测值，by为较小亲和dy的预测值，Z为归一化常数；h(x)为阶跃函数（前面说分析真实值与预测值与公式中只有预测值带入有点矛盾，但是字面意思是一致性，那么肯定是越大越好）MSEMSE也是衡量
2021-11-10 19:20:28
1363
原创 论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（一）2021SC@SDUSC
2021SC@SDUSC论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（一）Drug–target affinity prediction using graph neuralnetwork and contact maps摘要计算机辅助药物设计是利用高性能计算机模拟药物设计任务的一个很有前景的研究领域。药物靶标亲和度(DTA)预测是计算机辅助药物设计中最重要的一步，可以加快药物开发速度，减少资源消耗。随着深度学习的发展，将深度学习引入到DTA预测中，提高DTA预测的准确性已成为研究的热点
2021-11-09 16:12:46
15207
7
原创 基于人工智能的多肽分析问题-代码调试分析01-DeepPurpose库2021SC@SDUSC
此次的任务是对deepPurpose库的dti预测任务的tutorial进行一个分析调试由于本地环境配置复杂，本文将基于远程GPU服务器进行代码分析首先是准备我们的环境环境配置参考视频与博客：远程服务器连接与操作教程：anaconda：jupyter notebook：本地访问jupyter notebook操作教程：有了以上配置，我们就可以在本地进行代码的分析调试了：Data loading（数据加载） Encoder specification（编码器规格）Data enco
2021-10-07 18:13:38
1205
2
原创 基于人工智能的多肽药物分析问题-项目综述2021SC@SDUSC
2021SC@SDUSC背景综述药物发现和研发是制药企业和化学科学家的重要研究领域。然而，低效率和高成本给该领域带来了障碍。此外，处理来自基因组学、蛋白质组学、微阵列和临床试验的大量复杂数据也存在挑战。人工智能和机器学习技术使制药领域实现了现代化。机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。其中，在多肽与蛋白质的研究领域里，药物靶标亲和度(DTA)预测、肽与HLA分子结合预测、多肽的三级结构预测等问题
2021-09-30 17:15:39
1245
CE内存修改器7.3 Cheating Engine7.3
2022-10-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人