GraphNVP是康奈尔大学医学院的博士后研究助理臧承熙于2020年4月发表在ACM SIGKDD的一篇论文。

它是第一个可逆的、标准化的基于流的分子图生成模型。将图的生成分解为两个步骤：生成邻接张量和节点属性。这种分解产生了图结构数据的精确似然最大化，并结合了两个新的可逆流。证明模型有效地生成了几乎没有重复分子的有效分子图。此外，可以观察到学习到的潜在空间可用于生成具有所需化学特性的分子。

接下来我们一起看看如何快速进行论文复现吧！

首先打开极链AI云的官网，选择模型创建实例：

//cloud.videojj.com/home

进入终端，在 root/PyTorch-GraphNVP 路径下调用 download_data.py 文件，代码如下：

模型测试效果：

通过以下命令进行模型测试：

效果如下：

到这里，我们就已经完成了GraphNVP的整个复现成果～具体的模型简介和代码可以在模型详情页查看👍

为了使复现更加方便高效，我们为每一个模型都配置了专属的模型详情页。

模型详情页详细展现了模型的使用方法（包含训练和推理的使用方式和测试案例）在证明模型配置的完整性和方便用户直接测试模型效果上，为用户进一步开发和训练模型提供便利。

极链AI云平台现在更新了大量模型和数据库！省去了繁琐冗长的上传时间，让论文复现一步到位！快去官网试试吧～