工业酶的结构、功能和应用

参考：http://link.springer.com/10.1007/1-4020-5377-0

相关酶数据库：

• BRENDA 酶数据库：https://www.brenda-enzymes.org/

Zhang Z , Cui P , Zhu W . Deep Learning on Graphs: A Survey[J]. 2018. 深度学习在大量领域表现出明显的效果，无论是语音，图像，还是自然语言处理。但是由于图结构数据具有独特的属性，深度学习并不是自然的适用。最近，在这个方向进行了大量的研究极大地促进了图分析技术。调研了可以应用于图的不同种类深度学习方法，主要分为三大类：半监督学习，包括图神经网络和图卷积神经网络；无监督学习图自编码机；最新的进展，图循环神经网络和图强化学习。分析了不同方法的特点和联系。

本文档是针对KAUST 转化基金写作任务而撰写的文档。将自己所学习了解到的信息整理合并，以备后续再遇到类似情况。

提案征集说明 Call for proposal

• First round (TRG2024)

• 资助目标是项目从 2-3 级的技术完整性水平到达4级及以上的完整性水平。

Tensor 操作

文档：https://pytorch.org/docs/stable/index.html

Tensor 相关属性

查看 device

example_tensor.device

查看 shape

example_tensor.shape
example_tensor.size(1)

查看元素个数

example_tensor.numel()

Tensor 元素索引

example_scalar = example_tensor[1, 1, 0]
example_scalar.item()
example_tensor[:, 0, 0]

Tensor 初始化

0, 1 或随机数

torch.ones_like(example_tensor)
torch.zeros_like(example_tensor)
torch.randn_like(example_tensor)
torch.randn(2, 2, device='cpu') # Alternatively, for a GPU tensor, you'd use device='cuda'
torch.arange(4 * 5 * 6).view(4, 5, 6) # shape [4,5,6]

torch.clone 复制 tensor

real_clone = real.clone()

F.one_hot 生成多分类 tensor

F.one_hot(labels % n_classes)

nn.init.* 填充 tensor

nn.init.xavier_uniform_(tensor) # fill with uniform distribution, values scaled by 'gain'
nn.init.constant_(bias, 0) # fill with constant
nn.init.orthogonal_(param) # with a (semi) orthogonal matrix

基础函数

逐元素加减乘 mul, *

(example_tensor - 5) * 2 # 顺序有影响
torch.mul(tensor_x, tensor_x) # 逐元素积
tensor_x * tensor_y # 逐元素积 = torch.mul(x, y)

Tensor 乘法 matmul, @, bmm, dot

https://blog.csdn.net/foneone/article/details/103876519

原文参考：https://zhuanlan.zhihu.com/p/622980527

1. 语音合成任务简介

1.1. 语音与文本

对比语音来说，NLP技术在深度学习中更为普及。在介绍语音合成任务前，我们先来了解语音这一模态的特点，并将其与文本模态对比。

原始数据下载

European Nucleotide Archive (ENA)

https://www.ebi.ac.uk/ena/browser/view/PRJEB40872

选择后，会生成 bash 脚本，包括 wget 命令。直接运行脚本即可。

SRA 数据库

大部分测序的原始数据都在 SRA。可以安装 SRA-tools 来下载相关的数据。

选择数据后，下载 access_list，会生成一个包含样本编号的 txt 文件。