Guidelines for RNN Transfer Learning Based Molecular Generation of Focussed Libraries：RNN，分子生成，迁移学习

最近读了一篇在2020.7在Journal of Chemical Information and Modeling（JCIM）发表的有关分子生成的文章，这个杂志是化学2区的，3年平均影响因子为4.107。想分享一下我对这篇文章的理解，如果有不准确的地方，欢迎批评指正。

1 背景

（1）背景
在药物设计中，我们需要的是具有特定功能的小分子，但特定功能分子的数据库较小，因此常使用迁移学习：首先在较大的数据集上进行学习，确保生成分子的有效性，然后再迁移到较小的特定功能的数据集上进行学习，使其具有特定功能。
（2）目的
基于GRU-RNN的迁移学模型在分子生成领域广泛应用，但是数据量的大小、分子多样性以及各种超参数对模型性能的影响并不清楚。因此，在本文中，作者针对这些问题做了一些探究并给出建议。

迁移学习：
目标：将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。
主要思想：从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。

2 模型介绍