Pytorch跟Python一样都是一种编程语言，只不过Pytorch可以在GPU中进行计算。简单理解的话，就是这个区别吧。至于如何学习Pytorch，个人 觉得完全可以类比，Python两者语法跟用法没有太大差异。再者，为什么学习Pytorch基本计算，而不是用Python基本计算代替再转成tensor格式。个人在代码实现中的体会是：太麻烦，因为Pytorch默认创建变量的类型是float3

DGIdb数据库（Drug-Gene Interaction database）。它是一个用于挖掘现有资源，产生关于突变基因如何在治疗上被靶向或者优先用于药物开发的假设。它提供了针对一个药物-基因相互作用和潜在“可成药”基因汇编搜索基因列表的一个界面。它可以很好的帮助科学家解释药物基因组学（“Druggable Genome”）的GWAS研究中发现的结果。...

目录1 交叉熵损失函数2 二元交叉熵损失函数2.1 torch.nn.BCELoss()2.2 torch.nn.BCEWithLogitsLoss()3 参考文献1 交叉熵损失函数  在之前的损失函数介绍中已经解释过，什么是交叉熵损失函数以及其数学原理（【Pytorch基础】torch.nn.CrossEntropyLoss损失函数介绍）。在多分类问题中输出层的函数是SoftmaxSoftmax

[1]第三课.图变分自编码器&图对抗生成网络[2]【GNN】VGAE：利用变分自编码器完成图重构[3]【GNN五大类 VGAE】（变分图自编码器）：Variational Graph Auto-Encoders[4]图自编码器的起源和应用

[1]基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）

  作为图神经网络的学习基础，谱图理论在图神经网络的基础学习中显得尤为重要，所以准备整理下学习路径。本节的学习基础是之前【理解矩阵系列】文章和【理解特征值和特征向量】文章。  这里再谈一下为什么要学习谱图理论。尽管我们经常看到的图神经网络的表达式为 D1/2AD1/2HWD^{1/2}AD^{1/2}HWD1/2AD1/2HW，这是一种空域的形式，但是在查阅图神经网络相关资料或者阅读KpifKpi

[1]生成模型VAE、GAN和基于流的模型详细对比[2]基于流的生成模型-Flow based generative models[3][读论文 ICLR 2020] GraphAF: 基于流的分子图生成自回归模型[4]论文导读 | 图生成模型综述

1]什么是「互信息」？[2]DIM：通过最大化互信息来学习深度表征[3]【互信息 Deep InfoMax】Learning Deep Representations by Mutual Information Estimation and Maximization[4]ICLR 2020 | 互信息视角下的表征学习[5]互信息的深度理解（总结的不错值得一看）[6]互信息在深度学习的应用[6]对比

文章目录1 PyCTD介绍1 PyCTD介绍

[1]药物研发利器：基因表达谱数据库 cmap