文件名称：Generative-Molecules
文件大小：12.86MB
文件格式：ZIP
更新时间：2024-05-29 16:29:04
Python
生成分子 这是DIRECT顶石项目的回购：使用深度生成模型的分子设计。 小组成员：贾晓晓，秦嘉旭和陈以泽 顾问：张宝森和AlexK.-Y。 仁 客观的 在本项目中，我们建议利用机器学习领域生成模型研究的最新进展。 将开发用于设计和生成新分子的自动机器学习管道。 我们将设计一种将分子的离散表示转换为多维连续表示的有效方法。 这种方法使我们能够根据输入分子的分布对有效结构进行近似采样，并生成新的分子，以通过化合物的开放空间有效地进行探索和优化。 然后将学习现有的化学结构，并将其用作探索新分子结构的知识表示。 算法 生成对抗网络 GAN的主要思想是拥有两个相互竞争的神经网络模型。 一个将噪声作为输入并生成样本（称为生成器，G）。 另一个模型（称为鉴别器D）从生成器和训练数据中接收样本，并且必须能够区分这两个来源。 这两个网络是一个连续的游戏，生成器正在学习生成越来越多的逼真的样本，而鉴别器正
【文件预览】：
Generative-Molecules-master
----Results()
--------encoded.h5(11.14MB)
--------2D_LatentSpace.ipynb(42KB)
--------README.md(137B)
-------- Autoencoder_showcase.ipynb(76KB)
----utils()
--------data_readin.py(732B)
--------README.md(92B)
--------data_input.py(5KB)
----UseCases.md(3KB)
----Project_intro.pptx(688KB)
----requirements.txt(190B)
----GAN Module()
--------mol_methods.py(10KB)
--------custom_metrics.py(27KB)
--------gpu_utils.py(2KB)
--------nn_metrics.py(6KB)
--------generator.py(24KB)
--------README.md(358B)
--------gp_metrics.py(5KB)
--------organic.py(36KB)
--------data_loaders.py(4KB)
--------discriminator.py(5KB)
----Graphs()
--------image2d.png(31KB)
--------Molecules_Graph.png(199KB)
--------Model_ Schematic.png(240KB)
--------GAN.png(180KB)
--------README.md(1B)
--------mol1.png(8KB)
----README.md(5KB)
----Code()
--------README.md(84B)
--------download_dataset.py(3KB)
----Autoencoder Module()
--------sample.py(3KB)
--------sample_gen.py(5KB)
--------train.py(2KB)
--------sample_latent.py(4KB)
--------plot_molecules.py(194B)
--------utils.py(863B)
--------model.py(4KB)
--------interpolate.py(3KB)
--------train_gen.py(4KB)
--------vectorizer.py(5KB)
--------README.md(491B)
--------download_dataset.py(3KB)
--------trainHistoryDict(3KB)
--------preprocess.py(3KB)
--------plot.py(1KB)
----data()
--------equation.png(27KB)
--------examples.png(20KB)
--------smiles_50k.h5(132B)
--------smiles_500k.h5(133B)
--------README.md(32B)
--------model_500k.h5(133B)
----Model()
--------cgan_tensorflow.py(4KB)
--------README.md(285B)
--------unittests.py(674B)
----Poster.pdf(1.43MB)