引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
AlexNet卷积神经网络是由AlexKrizhevsky等人在2012年的ImagNet图像识别大赛获得冠军的一个卷积神经网络，该网络放到现在相对简单，但也是深度学习不错的卷积神经网络。论文：《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》论文结构Abstruct：简单介绍了AlexNet的结构及其成果Introduction：神经网络要是有更快的GPU和更大的数据集我们的结果就会得到改善TheDataset：介绍ILSVRC-2010和ImageNet数据集TheArchitecture：ReLU非线性函数介绍、两个GP
AlexNet卷积神经网络是由AlexKrizhevsky等人在2012年的ImagNet图像识别大赛获得冠军的一个卷积神经网络，该网络放到现在相对简单，但也是深度学习不错的卷积神经网络。论文：《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》论文结构Abstruct：简单介绍了AlexNet的结构及其成果Introduction：神经网络要是有更快的GPU和更大的数据集我们的结果就会得到改善TheDataset：介绍ILSVRC-2010和ImageNet数据集TheArchitecture：ReLU非线性函数介绍、两个GP
ProtocolbuffersareGoogle'slanguage-neutral,platform-neutral,extensiblemechanismforserializingstructureddata.Protocolbuffers是由Google设计的无关程序语言、平台的、具有可扩展性机制的序列化数据结构。Thetf.train.Examplemessage(orprotosun)isaflexiblemessagetypethatrepresentsa{"string":value}mapping.ItisdesignedforusewithTensorFlowandisus
ProtocolbuffersareGoogle'slanguage-neutral,platform-neutral,extensiblemechanismforserializingstructureddata.Protocolbuffers是由Google设计的无关程序语言、平台的、具有可扩展性机制的序列化数据结构。Thetf.train.Examplemessage(orprotosun)isaflexiblemessagetypethatrepresentsa{"string":value}mapping.ItisdesignedforusewithTensorFlowandisus
2.特征工程2.1数据集2.1.1可用数据集Kaggle网址：https://www.kaggle.com/datasetsUCI数据集网址：http://archive.ics.uci.edu/ml/scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets2.1.2安装scikit-learn工具pip3installScikit-learn==0.19.1安装好之后可以通过以下命令查看是否安装成功importsklearn注：安装scikit-learn需要Numpy,Scipy等库分类、聚类、回归
2.特征工程2.1数据集2.1.1可用数据集Kaggle网址：https://www.kaggle.com/datasetsUCI数据集网址：http://archive.ics.uci.edu/ml/scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets2.1.2安装scikit-learn工具pip3installScikit-learn==0.19.1安装好之后可以通过以下命令查看是否安装成功importsklearn注：安装scikit-learn需要Numpy,Scipy等库分类、聚类、回归
前言康奈尔大学，FeiLab的一个预测工具。iTAK是依赖于数据库的用于从蛋白质或核苷酸序列中识别植物转录因子(TF)、转录调节因子(TR)和蛋白激酶(PK)，然后将单个TF、TR和PK分类为不同的基因家族的工具。本人能力有限，本文可能存在描述不当与错误的地方，请仔细辨别后使用。鉴定与依据TFs和TRs的识别和分类是基于主要从PlnTFDB(Perez-Rodriguezetal.,2010)和PlantTFDB[(Jinetal.,2014)总结的一致性规则（每个基因家族的必需和禁止的蛋白质结构域），与来自PlantTFcat(Daietal.,2013)和AtTFDB(Yilmazetal
前言康奈尔大学，FeiLab的一个预测工具。iTAK是依赖于数据库的用于从蛋白质或核苷酸序列中识别植物转录因子(TF)、转录调节因子(TR)和蛋白激酶(PK)，然后将单个TF、TR和PK分类为不同的基因家族的工具。本人能力有限，本文可能存在描述不当与错误的地方，请仔细辨别后使用。鉴定与依据TFs和TRs的识别和分类是基于主要从PlnTFDB(Perez-Rodriguezetal.,2010)和PlantTFDB[(Jinetal.,2014)总结的一致性规则（每个基因家族的必需和禁止的蛋白质结构域），与来自PlantTFcat(Daietal.,2013)和AtTFDB(Yilmazetal
