强化学习把学习看作一个试探评价的过程，Agent选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号（奖或惩）反馈给Agent，Agent根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化（奖）的概率增大。数据预处理是机器学习过程中必不可少的重要步骤，特别是在生产环境中的机器学习，数据往往是原始、未加工和未处理过的，数据预处理常常占据整个机器学习过程的大部分时

Tensor自称为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便和高效。不过它们也有不同之处，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。1.创建创建Tensor的方法有很多，可以从列表或ndarray等类型进行构建，也可根据指定的形状构建。

自定义数据集需要继承这个类，并实现两个函数，一个是__len__，另一个是__getitem__，前者提供数据的大小(size)，后者通过给定索引获取数据和标签。1)datasets：提供常用的数据集加载，设计上都是继承自torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet和COCO等。__getitem__一次只能获取一个数据，所以需要通

nn中的层，一类是继承了nn.Module，其命名一般为nn.Xxx（第一个是大写）​，如nn.Linear、nn.Conv2d、nn.CrossEntropyLoss等。另一类是nn.functional中的函数，其名称一般为nn.funtional.xxx，如nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy等。

ipMSDB 是一个收录了来自健康组织、细胞系和肿瘤样本的 HLA-呈递肽段的数据库。该数据库用于预测哪些肽段（如突变肽段或肿瘤抗原肽段）最有可能被患者的 HLA-I 或 HLA-II 分子呈递给 T 细胞，从而激发免疫反应。如果一个突变肽段在 ipMSDB 中有对应的“精确匹配的野生型肽段”（即非突变状态下的同源肽段），它被 CD8+ T 细胞自发识别并诱导免疫反应的概率会增加 5 倍。表明，突

在多分类任务中，经常采用softmax激活函数+交叉熵损失函数，因为交叉熵描述了两个概率分布的差异，然而神经网络输出的是向量，并不是概率分布的形式。此时一般不宜选择sigmoid、tanh激活函数，因它们的导数都小于1，尤其是sigmoid的导数在[0,1/4]之间，多层叠加后，根据微积分链式法则，随着层数增多，导数或偏导将指数级变小。回归问题预测的不是类别，而是一个任意实数。PyTorch中已集

Tensor自称为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便和高效。不过它们也有不同之处，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。1.创建创建Tensor的方法有很多，可以从列表或ndarray等类型进行构建，也可根据指定的形状构建。

下面我们利用ImageFolder读取不同目录下的图片数据，然后使用transforms进行图像预处理，预处理有多个，我们用compose把这些操作拼接在一起。还可以自己定义一个Python Lambda表达式，如将每个像素值加10，可表示为：transforms.Lambda(lambda x:x.add(10))。形状为(H,W,C)的Numpy.ndarray转换成形状为[C,H,W]​，取

Tensor自称为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便和高效。不过它们也有不同之处，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。1.创建创建Tensor的方法有很多，可以从列表或ndarray等类型进行构建，也可根据指定的形状构建。

在自己的机子上看fragpipe的固定修饰的mass delta，C-Term Protein和N-Term Protein均是默认0，C(cysteine)默认57.02146。但在另一台机子上，C-Term Protein和N-Term Protein分别默认为-0.984016，216.04225，应该和蛋白质末端残基有关。另外在可变修饰，两台机子装的fragpipe提供的示例种类也有区别，