1.np.repeat https://blog.csdn.net/u010496337/article/details/50572866/
import numpy as np a=np.array(([1,2],[3,4])) print(np.repeat(a,2)) #结果： [1 1 2 2 3 3 4 4]
当axis=None时，会展平为一个行向量。
如果指定轴：
print(np.repeat(a,2,axis=0)) #结果 [[1 2] [1 2] [3 4] [3 4]]
2.DE工作。
如果是指定了两种细胞类型，那么就从两种cell类型中取样n_samples，当然是越多越好，经过VAE模型获取到了px_scales（经过校正）表达的百分比，之后用它计算贝贝叶斯因子，是通过判断两个矩阵的大小，并且求均值，log(res/1-res)。
如果是1 vs all，那么就轮流求，取样当前1的细胞类型的细胞，并将其他cell作为另一类，然后计算基因的贝叶斯因子。
3.对于np.random.choice函数
import numpy as np print(np.random.choice([1,2,3,4],10)) #结果 [3 4 2 1 4 3 1 4 1 3] 如果要求的数目大于数组的长度，原来它是可以自动这样重复采样的啊。
4.去批分为两种，一种是同一个数据集中不同批次，另一种是多个数据集下的不同批次，比想象的复杂一点。
在调试时会出现此信息。
6.NearestNeighbors https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html
#还是查文档好，接着就能看实现源码。
7.这个计算熵的可是真难理解：
score += np.mean( [ entropy( batches[#Returns a tuple of arrays (row,col) containing the indices kmatrix[indices].nonzero()[1][#找到权重不为0的 kmatrix[indices].nonzero()[0] == i ] ] ) for i in range(n_samples_per_pool)#100 ] )
终于明白了，举了个例子：
import numpy as np km=np.array([[0,0,1],[1,0,0],[0,1,0]]) indices=[0,2] print(km[indices].nonzero()[1][km[indices].nonzero()[0]==0]) #输出 [2] >>> km[indices].nonzero() (array([0, 1], dtype=int64), array([2, 1], dtype=int64)) >>> km[indices].nonzero()[0]==0 array([ True, False]) >>> km[indices].nonzero()[1] array([2, 1], dtype=int64)
8.使用交叉熵函数：
当fre趋向于0或者1时，即差不多都属于同一批次的时候，熵就趋向于0。
9.再学习一下交叉熵。
https://blog.csdn.net/tsyccnh/article/details/79163834（待看）
10.tf.onehot，原始和类别，根据类别数据转换为onehot类型的。
https://blog.csdn.net/nini_coded/article/details/79250600
import tensorflow as tf classes = 3 labels = tf.constant([0,1,2]) # 输入的元素值最小为0，最大为2 output = tf.one_hot(labels,classes) sess = tf.Session() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) output = sess.run(output) print("output of one-hot is : ",output) # ('output of one-hot is : ', # array([[ 1., 0., 0.], # [ 0., 1., 0.], # [ 0., 0., 1.]], dtype=float32))
并且手动尝试了一下：
import tensorflow as tf a=tf.one_hot([0,0,0,1,1,1],2) with tf.Session() as sess: print(sess.run(a)) #输出 [[1. 0.] [1. 0.] [1. 0.] [0. 1.] [0. 1.] [0. 1.]]
11.tf.random_normal https://blog.csdn.net/dcrmg/article/details/79028043
b= tf.random_normal([10]) with tf.Session() as sess: print(sess.run(b)) #输出 [-0.7680359 0.9331585 0.14169899 0.75573707 -1.3931639 -0.7400114 0.58605003 1.8533127 -0.17746244 -1.0043402 ]
用于从服从指定正太分布的数值中取出指定个数的值。没有指定参数的话，就是标准正态分布。
12.没有激活函数的网络层？dense(h, self.n_input, activation=None）
https://cloud.tencent.com/developer/article/1061802(待看)
相当于f(x)=x。
13.tf.nn.softplus https://blog.csdn.net/ai_lx/article/details/88953587
import tensorflow as tf a = tf.constant([-1.0, 12.0]) with tf.Session() as sess: b = tf.nn.softplus(a) print(sess.run(b)) #输出 [ 0.31326166 12.000006 ]
就是soft plus。#不是softmax，不是归一化。
公式是：log( exp( features ) + 1)，所输入的a就是features。
14.搜索了ZINB的实现代码，未果，没有找到有类似的，
搜索 case_zero case_non_zero，找到了拟合ZINB分布的一个讲解，https://jdblischak.github.io/singlecell-qtl/zinb.html，看起来太复杂了。
就是说，计算ZINB似然的时候就是这么算的：
那么一般的似然值是如何计算的？似然值如何计算。
一般来说，给定参数θ以及服从的分布和原数据，就可以计算似然值，当前参数的似然值。但是现在我感觉好抽象，有没有个例子。