参照肖智清老师的“神经网络与PyTorch实战”import torchimport torch.utils.dataimport torch.nnimport torch.optimimport torchvision.datasetsimport torchvision.transformstrain_dataset = torchvision.datasets.MNIST(root='./d

首先，我们回顾一下有监督机器学习的任务。我们可以将其抽象为：从输入X∈XX∈X预测输出Y∈YY∈Y。二者的联合分布PYXP(Y,X)PYXPY∣XPXP(Y|X)P(X)PY∣XPX。其中PXP(X)PX是通常意义下的输入的分布，PY∣XP(Y|X)PY∣X可以看作是机器学习模型需要学习的映射关系，PYXP(Y,X)PYX是最终的 target。

前天晚上花了一晚上时间安装xtb库，写下文章备忘。xtb是Grimme课题组开发的半经验法DFT，听说速度极快。xtb-python是xtb为Python准备的API。ASE是另一个经典的Python库。常和xtb搭配使用。三者官网如下：xtbxtb-PythonASExtb是基于Linux系统的。本人之前未接触过Linux系统。在大佬指点下跌跌撞撞装好了xtb。xtb-Python是基于xtb的

在执行性质预测任务时，我们需要考虑两个问题：1. 如何正确的将图结构进行编码？2. 如何汇聚编码信息预测整个分子的任务？LEFTNet 就是通过回答上述问题来进行模型设计的。

这一期内容主要是11月份的学习总结一点点python1绘制柱形图的经典语句fig = plt.figure(figsize=(20, 8))plt.bar(x=names, height=nums)for x, y in zip(names, nums):plt.text(x, y+0.3, '%.0f'%y, ha='center', va='bottom', fontsize=10.5)# p

很多人在完成升学考试后便很少参与公式推导这种数学锻炼，导致大家对数学公式避之不及。事实上，很多经典的神经网络框架正是基于简单、直观的数学推导搭建的。

兴致冲冲的我抱着 2023-ICML-eSCN 看了好几天，毫无头绪，因为 2023-ICML-eSCN 是建立在 NequIP 这类多通道模型的基础之上的。在进一步挖掘后，我发现这些论文里频繁提到老文献 TFN，以及其背后的 Python 库 e3nn.

递归作为经典的程序结构，是众多算法的核心。作为一个未经过系统训练的菜鸟，有必要训练一下递归结构。（事实是看到了学长代码里的DFS，倍感精妙，觉得有必要练习一下哈哈哈）下面是挑选的一些案例。1. 求阶乘n个正整数的连乘n!=n∗(n−1)∗(n−2)...1n!=n*(n-1)*(n-2)...1n!=n∗(n−1)∗(n−2)...1不用递归的话，最直接的想法就是整个for循环：def facto

import numpy as npimport matplotlib.pyplot as pltx_1_4 = np.arange(0, 1.001, 0.001)y1 = pow(1 - x_1_4 ** 3, 1/3)y4 = -y1x_2_3 = -x_1_4y2 = pow(1 + x_2_3 ** 3, 1/3)y3 = -y2fig = plt.figure(figsize=(5,

学习UML语言的最快方法是自己练习一下。本人使用的是StarUML，界面简介，体积小，适合初学者。UML模型分为两大元素。事物事物之间的关系1. 事物事物包含结构事物，动作事物。结构事物包括：类：有属性和方法接口：和类相似，但接口方法只能对外实现协作：几个元素共同形成的行为组件：比类更大的模块用例：一组动作序列的集成。节点：通常和计算机硬件资源对应。活动类：通常出现在序列图中，表示某个序列的状态。