--

train.py

@@ -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('--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('--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('--discriminator_learning_rate', type=float, default=0.001, 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('--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('--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('--dataset', type=str, default='luo', help='使用的数据集')
+    parser.add_argument('--dataset', type=str, default='nr', help='使用的数据集')
 
     args = parser.parse_args()
     return args
@@ -40,7 +40,7 @@ if __name__ == "__main__":
     # DPP采样和PCA降维
     DPP = FiniteDPP('correlation', **{'K': feas['adj'].toarray()})
     pca = PCA(n_components=settings.hidden2)
-    DPP.sample_exact_k_dpp(size=20)  # e 21 ic 6 gpcr 3
+    DPP.sample_exact_k_dpp(size=2)  # e 21 ic 6 gpcr 3
     index = DPP.list_of_samples[0]
     feature_sample = feas['features_dense']
     feature_sample = pca.fit_transform(feature_sample)
@@ -94,6 +94,7 @@ if __name__ == "__main__":
             print('Test ROC score: ' + str(roc_score), 'Test AUPR score: ' + str(aupr_score), 'Test AP score: ' + str(ap_score))
             record.append([roc_score, aupr_score, ap_score])
             record_emb.append(emb)
+            np.savetxt('data/emb/{0}/emb_{1}.csv'.format(settings.dataset,epoch+1), emb, delimiter=',')
     rec = np.array(record)
     emb = record_emb[rec[:, 0].tolist().index(max(rec[:, 0].tolist()))]
     ana = record[rec[:, 0].tolist().index(max(rec[:, 0].tolist()))]