[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-insilicomedicine--GENTRL":3,"tool-insilicomedicine--GENTRL":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":80,"difficulty_score":91,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":99,"updated_at":100,"faqs":101,"releases":142},3814,"insilicomedicine\u002FGENTRL","GENTRL","Generative Tensorial Reinforcement Learning (GENTRL) model","GENTRL（生成张量强化学习模型）是一款专为药物发现领域设计的开源人工智能工具，旨在加速高效能分子的筛选与设计。它主要解决了传统方法在海量化学空间中寻找特定属性分子时效率低下、成本高昂的难题，特别是在处理数据缺失或需要平衡多种分子属性的复杂场景下表现优异。\n\n这款工具非常适合从事计算化学、药物研发的研究人员以及希望探索生成式 AI 在科学领域应用的开发者使用。其核心技术亮点在于巧妙结合了变分自编码器与强化学习：首先利用张量分解技术构建丰富的潜在空间先验分布，有效编码分子结构与属性间的深层关系；随后通过两阶段训练策略，先在化学空间建立映射，再冻结大部分参数并优化可学习的先验分布，从而定向探索并生成具有高奖励值的目标分子。作为支持《深度学习快速识别强效 DDR1 激酶抑制剂》这篇 Nature 论文的关键代码库，GENTRL 提供了基于 MOSES 数据集的完整实现示例，帮助用户快速上手从预训练到奖励函数优化的全流程，是进行新型药物分子生成的有力助手。","# Generative Tensorial Reinforcement Learning (GENTRL) \nSupporting Information for the paper _\"[Deep learning enables rapid identification of potent DDR1 kinase inhibitors](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41587-019-0224-x)\"_.\n\nThe GENTRL model is a variational autoencoder with a rich prior distribution of the latent space. We used tensor decompositions to encode the relations between molecular structures and their properties and to learn on data with missing values. We train the model in two steps. First, we learn a mapping of a chemical space on the latent manifold by maximizing the evidence lower bound. We then freeze all the parameters except for the learnable prior and explore the chemical space to find molecules with a high reward.\n\n![GENTRL](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Finsilicomedicine_GENTRL_readme_f536c4bc1939.png)\n\n\n## Repository\nIn this repository, we provide an implementation of a GENTRL model with an example trained on a [MOSES](https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses) dataset.\n\nTo run the training procedure,\n1. [Install RDKit](https:\u002F\u002Fwww.rdkit.org\u002Fdocs\u002FInstall.html) to process molecules\n2. Install GENTRL model: `python setup.py install`\n3. Install MOSES from the [repository](https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses)\n4. Run the [pretrain.ipynb](.\u002Fexamples\u002Fpretrain.ipynb) to train an autoencoder\n5. Run the [train_rl.ipynb](.\u002Fexamples\u002Ftrain_rl.ipynb) to optimize a reward function\n","# 生成张量强化学习 (GENTRL)\n论文 _“深度学习助力快速识别强效 DDR1 激酶抑制剂”_（[Nature, 2019](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41587-019-0224-x)）的补充资料。\n\nGENTRL 模型是一种具有丰富潜在空间先验分布的变分自编码器。我们利用张量分解来编码分子结构与其性质之间的关系，并在存在缺失值的数据上进行学习。模型的训练分为两个步骤：首先，通过最大化证据下界来学习化学空间到潜在流形的映射；随后，冻结除可学习先验之外的所有参数，探索化学空间以寻找高奖励分子。\n\n![GENTRL](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Finsilicomedicine_GENTRL_readme_f536c4bc1939.png)\n\n\n## 仓库\n本仓库提供了 GENTRL 模型的实现，并附带一个基于 [MOSES](https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses) 数据集训练的示例。\n\n要运行训练流程：\n1. 安装 RDKit（[安装说明](https:\u002F\u002Fwww.rdkit.org\u002Fdocs\u002FInstall.html)）以处理分子数据。\n2. 安装 GENTRL 模型：`python setup.py install`。\n3. 从 [MOSES 仓库](https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses) 安装 MOSES 工具包。\n4. 运行 [pretrain.ipynb](.\u002Fexamples\u002Fpretrain.ipynb) 来训练自编码器。\n5. 运行 [train_rl.ipynb](.\u002Fexamples\u002Ftrain_rl.ipynb) 来优化奖励函数。","# GENTRL 快速上手指南\n\nGENTRL（Generative Tensorial Reinforcement Learning）是一个结合变分自编码器（VAE）与强化学习的生成模型，专为分子结构设计与优化打造。它利用张量分解编码分子结构与属性间的关系，支持在缺失值数据上训练，并通过两阶段策略（预训练 + 强化学习）探索高奖励的化学空间。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS（Windows 需通过 WSL 或 Docker 运行）\n- **Python 版本**：3.6 - 3.8（推荐 3.7）\n- **前置依赖**：\n  - [RDKit](https:\u002F\u002Fwww.rdkit.org\u002F)：用于分子处理\n  - [MOSES](https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses)：提供标准分子数据集\n  - PyTorch（GENTRL 内部依赖，安装时会自动解决）\n\n> 💡 国内用户可使用清华或中科大镜像加速 Python 包安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n1. **安装 RDKit**  \n   访问 [RDKit 官方安装文档](https:\u002F\u002Fwww.rdkit.org\u002Fdocs\u002FInstall.html) 按系统选择合适方式安装。  \n   推荐使用 Conda（国内可替换为清华镜像源）：\n   ```bash\n   conda create -n gentrl-env python=3.7\n   conda activate gentrl-env\n   conda install -c conda-forge rdkit\n   ```\n\n2. **克隆并安装 GENTRL**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fgentrl.git\n   cd gentrl\n   python setup.py install\n   ```\n   若下载缓慢，可先克隆到本地再安装，或使用国内 Git 镜像（如 Gitee 同步仓库，如有）。\n\n3. **安装 MOSES 数据集**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmolecularsets\u002Fmoses.git\n   cd moses\n   pip install -e .\n   ```\n   国内加速建议：\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -e .\n   ```\n\n## 基本使用\n\nGENTRL 训练分为两个阶段：预训练自编码器 → 强化学习优化奖励函数。\n\n### 步骤 1：预训练自编码器\n运行示例 Notebook 学习化学空间到潜在流形的映射：\n```bash\njupyter notebook examples\u002Fpretrain.ipynb\n```\n在浏览器中打开后，依次执行单元格完成训练。默认使用 MOSES 数据集。\n\n### 步骤 2：强化学习优化\n加载预训练模型，冻结参数，仅优化可学习先验以生成高奖励分子：\n```bash\njupyter notebook examples\u002Ftrain_rl.ipynb\n```\n同样在浏览器中执行全部单元格，即可开始基于自定义奖励函数的分子生成探索。\n\n> 📌 提示：两个 Notebook 均包含详细注释和可视化输出，适合直接交互探索。首次运行请确保已激活 `gentrl-env` 环境。","某生物制药公司的 AI 研发团队正致力于寻找针对 DDR1 激酶的高效抑制剂，以加速抗癌新药的研发进程。\n\n### 没有 GENTRL 时\n- **筛选效率低下**：传统高通量筛选需测试数百万种化合物，耗时数月且成本高昂，难以快速锁定候选分子。\n- **数据缺失困扰**：现有分子性质数据库存在大量缺失值，传统模型难以有效利用这些不完整数据进行训练和预测。\n- **探索能力受限**：基于规则的生成方法只能在小范围化学空间内微调，极易陷入局部最优，无法发现结构新颖的强效分子。\n- **结构与性质脱节**：难以精准建模分子三维结构与生物活性之间的复杂非线性关系，导致预测准确率不高。\n\n### 使用 GENTRL 后\n- **生成速度飞跃**：GENTRL 结合变分自编码器与强化学习，能在数天内从潜在空间直接生成数千个高奖励值的候选分子，大幅缩短研发周期。\n- **鲁棒性增强**：利用张量分解技术编码分子结构与性质的关联，GENTRL 能天然处理含缺失值的数据，充分挖掘历史实验数据的价值。\n- **全局智能探索**：通过可学习的先验分布引导搜索，GENTRL 能主动探索广阔的化学空间，成功发现人类专家未曾设想的全新骨架结构。\n- **精准性质导向**：模型将分子结构映射到流形空间并优化奖励函数，确保生成的分子不仅结构合法，更具备预期的高激酶抑制活性。\n\nGENTRL 通过将深度生成模型与强化学习深度融合，实现了从“被动筛选”到“主动设计”的范式转变，显著提升了新药发现的效率与成功率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Finsilicomedicine_GENTRL_01d9334b.png","insilicomedicine","Insilico Medicine","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Finsilicomedicine_25bad458.png","Artificial Intelligence for drug discovery, biomarker development and aging research.",null,"insilico.com","https:\u002F\u002Fgithub.com\u002Finsilicomedicine",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,637,222,"2026-03-19T02:28:15",4,"未说明",{"notes":94,"python":92,"dependencies":95},"该工具是一个变分自编码器模型，需先安装 RDKit 处理分子数据，并从外部仓库安装 MOSES 数据集。训练分为两步：首先预训练自编码器（pretrain.ipynb），然后进行强化学习优化（train_rl.ipynb）。README 中未明确指定具体的操作系统、GPU、内存或 Python 版本要求，通常此类深度学习项目建议在 Linux 环境下配合 NVIDIA GPU 运行。",[96,97],"RDKit","MOSES",[18],"2026-03-27T02:49:30.150509","2026-04-06T07:14:48.870270",[102,107,112,117,122,127,132,137],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},17467,"如何解决 GENTRL 与 MOSES\u002Ftorch 之间的版本依赖冲突？","GENTRL 0.1 需要 torch==1.0.1，而较新版本的 MOSES 可能依赖 torch 1.1.0。为了解决兼容性问题，项目已指定使用 MOSES 0.1.3 版本（该版本使用 torch 1.0.1）。安装时请确保安装正确的依赖版本：`pip install molsets==0.1.3` 和 `torch==1.0.1`，或者直接使用项目更新后的配置文件。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F1",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},17468,"预训练（pretraining）和后续训练需要多长时间？","预训练阶段大约需要 30 小时，具体时间取决于硬件配置。预训练完成后，模型会保存到 `saved_gentrl` 目录，接下来应运行 `train_rl.ipynb` 进行强化学习训练。如果预训练超过 10 小时仍未生成模型但程序仍在运行，通常属于正常现象，请耐心等待完成。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F4",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},17469,"在 Windows 上无法使用 wget 下载数据集怎么办？","Windows 系统默认没有 wget 命令，且有时会出现 SSL 证书验证错误。您可以直接在浏览器中访问数据链接下载：https:\u002F\u002Fmedia.githubusercontent.com\u002Fmedia\u002Fmolecularsets\u002Fmoses\u002Fmaster\u002Fdata\u002Fdataset_v1.csv，或者使用支持 HTTPS 的其他下载工具。如果必须使用命令行且遇到证书错误，可尝试添加 `--no-check-certificate` 参数（不推荐用于生产环境）。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F21",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},17470,"是否必须使用 Anaconda 虚拟环境安装？可以直接安装在 Conda 基础环境中吗？","您可以直接将所有包安装到 Anaconda 的基础环境中，但这可能会导致与您已安装的其他包产生依赖冲突。为了环境隔离和稳定性，官方推荐使用独立的虚拟环境（如 `conda create -n gentrl python=3.6`），但如果确定没有其他冲突，直接安装也是可行的。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F20",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},17471,"如何在 Jupyter Notebook 中解决 'ModuleNotFoundError: No module named gentrl' 错误？","如果在终端中可以成功导入 `gentrl` 但在 Jupyter Notebook 中报错，通常是因为 Jupyter 内核未指向正确的 Python 环境。解决方法是升级或重新配置 Jupyter Notebook，确保其内核与安装 GENTRL 的环境一致。用户反馈通过升级 Jupyter Notebook 解决了该问题。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},17472,"训练过程中出现 cuDNN 执行失败错误或训练时间过长是否正常？","1. 若出现 `RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED`，通常是 PyTorch 或 CUDA 安装问题，建议参考 PyTorch 官网重新安装匹配版本的 torch 和 cudatoolkit。\n2. 若训练运行超过 10 小时且 Loss 显示为负数或看似卡住，实际上模型可能已完成训练。请检查后续单元格以保存模型到 `saved_gentrl` 目录，无需重复运行。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F5",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},17473,"如何启用多 GPU 训练 GENTRL 模型？","原生 GENTRL 代码未直接提供多 GPU 支持脚本。社区用户已将此模型重构为 PyTorch Lightning 模块以支持多 GPU 训练。您可以参考并使用该社区版本：https:\u002F\u002Fgithub.com\u002FBibyutatsu\u002FproGENTRL，在其中可以使用标准的 PyTorch Lightning 多 GPU 策略进行训练。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F18",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},17474,"模型训练（VAE 和 RL）完成后，下一步该做什么？如何进行分子插值或探索？","训练完成后，您可以对编码空间中的向量进行操作，例如在两个 SMILES 字符串的编码向量之间进行线性插值并解码生成新的有效 SMILES，或在起始分子周围进行探索。如果采样结果不佳或出现过拟合，建议减少强化学习阶段的 `num_iterations` 参数。社区成员也提到脚本中存在一些 bug，可通过提交 PR 修复后获得更稳定的推理功能。","https:\u002F\u002Fgithub.com\u002Finsilicomedicine\u002FGENTRL\u002Fissues\u002F6",[]]