近年来，越来越多的研究试图探索代谢组学，以揭示疾病病理，寻找早期干预策略[1]。非靶向代谢组学数据是通过对生物样品中小分子物质的无偏测量而获得的，能够反映生物体内调控和代谢途径的功能变化。当分析疾病样本时，代谢组直接反映了身体的病理状态，从而导致了对其他形式的组学测量的补充发现[2，3]。目前，收集非靶向代谢组学数据的主要方法是使用液相色谱-质谱（LC/MS）。LC/MS 数据具有很高的噪音，并且

连接预测-二分图、推荐系统、已知连接推未知连接、药物联合副作用、导航。图层面：药物设计、物理模拟（粒子物理、流体物理）、蛋白质的空间预测。传统机器学习，数据是独立同分布的，解决表格、矩阵、序列等问题。图嵌入，把节点映射为D维向量，并且能够反应原数据的语义信息。图可视化工具：AntV、Echarts、Graphxr。工具：PyG、NetworkX、dgl、图，可以实现端到端的表示学习。节点分类-已知

14 数值稳定性 + 模型初始化和激活函数【动手学深度学习v2】

连接预测-二分图、推荐系统、已知连接推未知连接、药物联合副作用、导航。图层面：药物设计、物理模拟（粒子物理、流体物理）、蛋白质的空间预测。传统机器学习，数据是独立同分布的，解决表格、矩阵、序列等问题。图嵌入，把节点映射为D维向量，并且能够反应原数据的语义信息。图可视化工具：AntV、Echarts、Graphxr。工具：PyG、NetworkX、dgl、图，可以实现端到端的表示学习。节点分类-已知

Alexnet 全连接和卷积VGGInceptionResNetmodule parallel ， data parallel 模型并行 数据并行emmm，对于硬件还是有很多不懂得地方，但是听听老师的看法总算长点见识哈。

2、x.view(-1,1,28,28)，这里的 -1 指的是批量数不变，自动计算；（批量数，通道数，行，列）；批量数不变，通道数为1。4、总结，好像看着挺简单的，但是前人能想出这样的方法真是不可思议，好聪明，下面代码实现有21min，加油！3、LeNet：里面两个卷积层，两个池化层，然后使用全连接，120再到84，最后使用高斯激活。4、mnist原始数据是28*28，这里加了padding就能实

相较于可读性公式的方法，这个方法可以应用到更广的词法、句法、篇章的特征，缺点是需要设计这个特征。9、优点是简洁，缺点是比较依赖于研究者具有的专家式的语言学知识。

1、单机多卡2、数据并行和模型并行3、数据并行的流程：读取一个数据块--拿回参数--计算梯度--发出梯度--更新梯度4、总结。

K倍交叉验证（K>=2）。将样本数据集随机划分为K个子集（一般是均分），将一个子集数据作为测试集，其余的K-1组子集作为训练集；将K个子集轮流作为测试集，重复上述过程，这样得到了K个分类器或模型，并利用测试集得到了K个分类器或模型的分类准确率。用K个分类准确率的平均值作为分类器或模型的性能指标。10-倍交叉证实是比较常用的。留出法(Hold-out Method)： 直接将数据集D划分成两个互斥的

reduction 参数用于控制输出损失的形式。