GraphNVP是康奈爾大學醫學院的博士後研究助理臧承熙於2020年4月發表在ACM SIGKDD的一篇論文。

它是第一個可逆的、標準化的基於流的分子圖生成模型。將圖的生成分解為兩個步驟：生成鄰接張量和節點屬性。這種分解產生了圖結構數據的精確似然最大化，並結合了兩個新的可逆流。證明模型有效地生成了幾乎沒有重複分子的有效分子圖。此外，可以觀察到學習到的潛在空間可用於生成具有所需化學特性的分子。

接下來我們一起看看如何快速進行論文復現吧！

首先打開極鏈AI雲的官網，選擇模型創建實例：

//cloud.videojj.com/home

進入終端，在 root/PyTorch-GraphNVP 路徑下調用 download_data.py 文件，程式碼如下：

模型測試效果：

通過以下命令進行模型測試：

效果如下：

到這裡，我們就已經完成了GraphNVP的整個復現成果～具體的模型簡介和程式碼可以在模型詳情頁查看👍

為了使復現更加方便高效，我們為每一個模型都配置了專屬的模型詳情頁。

模型詳情頁詳細展現了模型的使用方法（包含訓練和推理的使用方式和測試案例）在證明模型配置的完整性和方便用戶直接測試模型效果上，為用戶進一步開發和訓練模型提供便利。

極鏈AI雲平台現在更新了大量模型和資料庫！省去了繁瑣冗長的上傳時間，讓論文復現一步到位！快去官網試試吧～