1月下半笔记（个人向）

最近才开始看d2l（这种东西早该在两年前看的，拖到现在了）

为了做项目还得学一手OpenGL（被windows安装GLFW逼疯了）

1.15

打完ICPC EC final回来，也许可以出一篇博客写下简单的题解。

对蛋白质相似空间子结构搜索的算法有了一些思路，简单分为传统算法和目标检测算法

1.16

想到要对蛋白质可视化，然后去找可以用于三维绘图的库，找到了OpenGL，在wsl里面装了一个，发现挺方便，准备开始学[傅老師/OpenGL教學 第一章] OpenGL自製3D遊戲引擎 (已更畢)_哔哩哔哩_bilibili

然后发现蛋白质三维结构是需要跑alphafold的（自己电脑根本跑不了），还不如直接下载网上的已经预测好结构的数据集。

1.17

1、UniProt

学习了UniProt网站的一些知识，还有待进一步探索

struct里面可以查看各种蛋白质的三维结构，蛋白质数据都是可以下载的

标了reviewed的数据可信度更高，做实验优先选择这类数据

2、蛋白质三维结构比对算法

主要分为分子间距离比较和分子内距离比较。

分子间距离比较就类似迭代的做法，通过刚体旋转使得蛋白质分子间的cRMS指标最小

分子内距离dRMS的判据一般用于蛋白质的局部空间结构比较，可以绕过刚体旋转拟合的过程

结构比对算法已经有很多优秀的算法了，比如CE、TM-align、DALI、VAST、K2、SHEBA等之类的，似乎不用自己再写一个了。

1.18

查看网络情况

ipconfig，ping+网址，ss，ip link。

查看conda环境列表：conda env list

删除conda环境：conda env remove --name xxx（必须在非激活状态下删除）

创建conda环境：conda create --name xxx python=3.x

激活conda环境：conda activate xxx

在某环境下安装某个包：直接pip install

d2l网站，之前找了好久都没找到，今天一找就找到了：安装 — 动手学深度学习 2.0.0 documentation

1.19

滑动窗口维护次大值

一个神奇的方法，单调队列，每次把z加入队列时比较队尾的两个元素x,y，

若z>=x&&z>=y，弹出x、y中的较小值，直到不满足该条件后，将z加入队尾

这样可以保证，区间最大值一定是前两个数之一，次大值一定是前四个数之一。

为什么呢

用反证法，最大值在第三位，那么，1、2位都会小于第三位，那么应该弹出1、2位之一，矛盾。

若次大值在第五位，那么1234位中一定有三位小于次大值，而最大值一定在1、2位，所以3、4位一定小于第五位的次大值，那么3、4位必定弹出一个，矛盾。

综上以上维护方式可以维护最大值与次大值。

yyq%%%%%我直接膜爆yyq，这么多年了，他还在c！他还在输出！yyq yyds！！！

1.20

休息日，和yyq打MC，发现金头盔可以避免自己被猪灵攻击。

1.21

看Struct2GO论文，看d2l

python os模块学习：第26天：Python 标准库之 os 模块详解 - 纯洁的微笑博客

和操作系统实验里面写的函数用法几乎一模一样，使得python可移植性很强。

将pandas的dataframe数据类型转换为tensor（先转numpy再转tensor）

A=torch.tensor(xx.to_numpy(dtype=xxx))（xx为dataframe类型的变量）

d2l笔记：

数据预处理，离散缺失值一般单独分一类或者用众数代替，连续缺失值可以用平均数或者众数代替。

torch.arange(n,dtype=xxxx)（生成0~n-1的数据类型为xxxx的一串数）

设A、B为tensor张量

A.reshape(n,m,……)（保证数据总数不变的情况下对数据进行变形）

A.sum(axis=0、1)（按照行、列求和）

A.cumsum(axis=0、1)（按照行列进行前缀和计算）

A+B，对应位置相加

A*B ，Hadamard积，就是对应位置相乘

torch.dot(A,B)向量点积

torch.mv(A,B)矩阵乘向量（A为矩阵n*m，B为向量m，乘出来为一个n维列向量）

（mv表示matrix*vector）

torch.mm(A,B)矩阵乘法，不解释

范数复习：

向量范数：

矩阵范数：F、1、2、∞

范数性质：

（矩阵范数特有）

torch.norm(A)：计算向量A的2范数、矩阵A的F范数

torch.abs(A).sum()：计算向量的1范数