RT-GENE和RT-BENE：自然环境中的实时眼睛凝视和眨眼估计 该存储库包含两篇论文的代码和数据集参考：RT-GENE（凝视估计； ECCV2018）和RT-BENE（眨眼估计； ICCV2019研讨会）。 RT-GENE（凝视估计） 许可+出处 RT-GENE代码已获得许可。 禁止用于商业用途。 如果您使用此数据集或科学出版物中的代码，请引用以下： @inproceedings{FischerECCV2018, author = {Tobias Fischer and Hyung Jin Chang and Yiannis Demiris}, title = {{RT-GENE: Real-Time Eye Gaze Estimation in Natural Environments}}, booktitle = {European Conference on Computer

通过导入数据，选择相应的算法，参数等，构建基因调控网络。简单方便可行

GTEx数据集（V8）的条件变量自动编码器 该项目旨在使用生成模型生成合成基因表达数据。 我们首先研究数据的3D表示形式以及可能要依据的变量，以便有效地分离分布。 当前模型以组织为条件。 组织着色的GTEx数据集（1000个随机基因）的3D表示形式（UMAP，TSNE，PCA）： CVAE当前的重建质量，取决于组织。 基于： 对VAE方差损失论文： ， ， 项目进度： 基准模型创建 评估潜在空间中的均值，绝对差和分组的函数 模型调整 潜在空间大小 批次大小，学习率（应尽早确定时期数） 附加致密层的数量，每个附加层中神经元的数量 有条件的VAE模型（条件之一：组织或年龄） b-VAE模型（损失函数中的MSE / KL散度权重） 相关的VAE（ ） torch_model.py神经网络的层和属性 gtex_loder.py加载基因表达数据集 torch_train

DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p

自定义注释的mybatis-generator-core-1.3.6.jar, 可以带表字段注释的实体类

DIYABC的用户手册，用于基因流分析，主要有5个部分：前沿;算法;图形用户界面;实施细节;集群版本

mybatis-generator 自动生成的 demo，建库加图文教程，请查看：https://blog.csdn.net/qq_40147863/article/details/85886166

分类器集成算法Gasen在matlab上的实现。运行时需要GAOT工具箱。

在做项目的时候，我们不得不写底层的一些繁琐代码，比如说实体类、dao层之类的，既浪费时间又费事，最主要的是还没效率。mybatis本地反向生成完整demo

mybatis-generator自动生成代码(含中文注释) 这是一个maven项目，下载后直接导入到eclipse或者idea中即可。 修改对应的generatorConfig.xml 改成自己的数据库配置，然后运行App.java即可生成