1.中午和下午一直在做高软开发的PPT，晕死。
2.这里由于sv用到了贝叶斯因子，并且有对感兴趣的基因得到：
图1
贝叶斯因子的计算公式：
从书中给出的例子可以看出，要接受原假设，就要贝叶斯因子>1的。
sv中取log也是为了防止贝叶斯因子过小而产生溢出吧。 那么就目前的理解，在图1中，THY1是拒绝原假设，而选择备择假设，即在第二种细胞类型中表达量较高，MBP是接受原假设，在第一种类型中表达量较高。不差异表达的情况：log贝叶斯因子在0附近，不能支持原假设。
4.再次注意损失函数包括似然损失、及降维取样KL散度。
我觉得对于这个BP算法我还需要手动地推导一遍才能更好地理解吧，我学了这么久，但是我还是不明白为什么能够拟合函数。。。
#隐隐觉得它找DE基因是一次性的进行批处理，德出不同的细胞类型之间的差异分数？？？
#其实还有不明白的地方，它是如何和其他方法对比的？DEseq，DCA等，它们进行方法比较所使用的指标是什么？
找DE的过程，先用原来的train_set训练一遍，然后选取两种celltype的细胞进行编码获取到result。
5.由于它重复了：
搜了一下重复采样，并没有什么结果。
6.np.vstack-在垂直方向上合并。
https://www.jianshu.com/p/2469e0e2a1cf
7.np.mean-有axis参数，求哪个轴上的。
8.
我很想知道这张图代表着什么呢？横轴贝叶斯因子在±3之外的范围是差异表达的，纵轴是标注答案吗？那可以看出来sv效果一般般啊，怎么就好了？
9.library size用在什么地方了？就那个单独对它编码的网络输出的结果？
对的，对前半部分编码网络中的输出library的结果，又输入到了解码网络中，去和px_scale计算px_rate。
10.在拼接函数中：
import numpy as np a=np.concatenate((np.repeat(0, 6), np.repeat(1, 6)), axis=0) print(a)
axis=0应该是按照行进行粘贴，但是其中粘贴的是两个一维的，它的shape是(6,)，所以并不是通常的按照行来粘贴。运行结果如下：
[0 0 0 0 0 0 1 1 1 1 1 1]