|
|
@ -19,13 +19,13 @@ def parse_args(): |
|
|
|
parser.add_argument('--hidden2', type=int, default=32, help='隐藏层2神经元数量.') |
|
|
|
parser.add_argument('--hidden2', type=int, default=32, help='隐藏层2神经元数量.') |
|
|
|
parser.add_argument('--hidden3', type=int, default=64, help='隐藏层3神经元数量.') |
|
|
|
parser.add_argument('--hidden3', type=int, default=64, help='隐藏层3神经元数量.') |
|
|
|
parser.add_argument('--learning_rate', type=float, default=.6 * 0.001, help='学习率') |
|
|
|
parser.add_argument('--learning_rate', type=float, default=.6 * 0.001, help='学习率') |
|
|
|
parser.add_argument('--discriminator_learning_rate', type=float, default=0.001, help='判别器学习率') |
|
|
|
parser.add_argument('--discriminator_learning_rate', type=float, default=0.0001, help='判别器学习率') # luo 判别器学习率0.0001, 其它数据集0.001 |
|
|
|
parser.add_argument('--epoch', type=int, default=250, help='迭代次数') |
|
|
|
parser.add_argument('--epoch', type=int, default=250, help='迭代次数') |
|
|
|
parser.add_argument('--seed', type=int, default=50, help='用来打乱数据集') |
|
|
|
parser.add_argument('--seed', type=int, default=50, help='用来打乱数据集') |
|
|
|
parser.add_argument('--features', type=int, default=1, help='是(1)否(0)使用特征') |
|
|
|
parser.add_argument('--features', type=int, default=1, help='是(1)否(0)使用特征') |
|
|
|
parser.add_argument('--dropout', type=float, default=0., help='Dropout rate (1 - keep probability).') |
|
|
|
parser.add_argument('--dropout', type=float, default=0., help='Dropout rate (1 - keep probability).') |
|
|
|
parser.add_argument('--weight_decay', type=float, default=0., help='Weight for L2 loss on embedding matrix.') |
|
|
|
parser.add_argument('--weight_decay', type=float, default=0., help='Weight for L2 loss on embedding matrix.') |
|
|
|
parser.add_argument('--dataset', type=str, default='e', help='使用的数据集') |
|
|
|
parser.add_argument('--dataset', type=str, default='luo', help='使用的数据集') |
|
|
|
|
|
|
|
|
|
|
|
args = parser.parse_args() |
|
|
|
args = parser.parse_args() |
|
|
|
return args |
|
|
|
return args |
|
|
@ -40,7 +40,7 @@ if __name__ == "__main__": |
|
|
|
# DPP采样和PCA降维 |
|
|
|
# DPP采样和PCA降维 |
|
|
|
DPP = FiniteDPP('correlation', **{'K': feas['adj'].toarray()}) |
|
|
|
DPP = FiniteDPP('correlation', **{'K': feas['adj'].toarray()}) |
|
|
|
pca = PCA(n_components=settings.hidden2) |
|
|
|
pca = PCA(n_components=settings.hidden2) |
|
|
|
DPP.sample_exact_k_dpp(size=21) # e 21 ic 6 gpcr 3 |
|
|
|
DPP.sample_exact_k_dpp(size=20) # e 21 ic 6 gpcr 3 |
|
|
|
index = DPP.list_of_samples[0] |
|
|
|
index = DPP.list_of_samples[0] |
|
|
|
feature_sample = feas['features_dense'] |
|
|
|
feature_sample = feas['features_dense'] |
|
|
|
feature_sample = pca.fit_transform(feature_sample) |
|
|
|
feature_sample = pca.fit_transform(feature_sample) |
|
|
|