VIP20

本课程属于：055-化合物生成网络训练 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

Dropout防止过拟合的分子生成技巧

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

分子生成的研究意义 · 过拟合问题的重要性 · Dropout的角色概述

课程简介分子生成的研究意…

分子表示基础

SMILES字符串 · 分子图 · 分子指纹与向量化方法

分子表示基础SMILES

深度学习回顾

前馈神经网络 · 反向传播算法 · 训练与验证流程

深度学习回顾前馈神经网络

过拟合的本质

模型复杂度 · 训练数据不足 · 泛化能力下降的数学解释

过拟合的本质模型复杂度

常见正则化方法

L1/L2正则化 · 早停 · 数据增强

常见正则化方法L1/L2

随机失活神经元 · 伯努利掩码 · 训练与推理阶段的行为差异

Dropout的数学推导

期望输出不变 · 方差分析 · 模型平均解释

Dropout的数学推导

PyTorch中的Dropout

nn.Dropout · nn.Dropout2d · nn.AlphaDropout的使用

Dropout的超参数选择

丢弃率p的经验范围 · 网络层间的差异化设置

Dropout的超参数选择

Dropout与集成学习

为什么Dropout相当于训练了多个…

Dropout集成学习

分子生成模型全景

VAE · GAN · Flow

分子生成模型全景VAE

变分自编码器(VAE)用于分子生成

编码-解码结构 · 重参数化技巧

VAE变分自编码器

VAE中的过拟合表现

重建损失下降但生成分子无效 · KL散度崩塌

VAE过拟合表现

VAE中应用Dropout

在编码器/解码器中的实践与效果分析

生成对抗网络(GAN)用于分子生成

生成器与判别器 · 分子图GAN

GAN生成对抗网络

GAN中的过拟合与模式坍塌

生成样本多样性丢失 · 判别器过度自信

在GAN生成器中加入Dropout

缓解模式坍塌 · 提升生成多样性

在GAN判别器中加入Dropout

防止判别器过强 · 平衡训练动力学

基于流的分子生成模型

可逆变换 · 标准化流 · 对数似然优化

基于流的分子生成…可逆变换

Flow模型中的正则化

Dropout在耦合层中的可行性及注…

Transformer分子生成模型

自注意力机制 · 位置编码 · MolGPT

Transformer分子生成模型

Dropout在Transformer中的特殊用法

Attention Dropout · FFN Dropout · 预训练微调

DropoutTransformer

分子生成任务分支

从头设计（de novo） · 性质优化（multi-objecti… · 条件生成

分子生成任务分支de

数据增强与Dropout的协同

SMILES枚举 · 图扰动 · 结合随机失活

Dropout数据增强

超参数调优方法

网格搜索 · 贝叶斯优化 · 早停与学习率衰减配合

超参数调优方法网格搜索

监控过拟合的指标

验证集损失 · 生成分子的有效性/新颖性/多样性（V…

监控过拟合的指标验证集损失

用MolGAN生成分子 · 比较有无Dropout时的生成质量

案例实战MolGAN

用VAE生成分子 · 分析Dropout对潜在空间平滑性的…

案例实战VAE

评价指标体系

分子有效性 · 与训练集相似性（NVS） · 目标属性达标率

评价指标体系分子有效性

贝叶斯Dropout · SpatialDropout · DropConnect

进阶方向Dropout