ReLeaSE 项目安装与使用指南
2024-09-27 14:04:23作者:秋泉律Samson
1. 项目目录结构及介绍
ReLeaSE(Reinforcement Learning for Structural Evolution)是一个用于从头设计药物的深度强化学习项目。以下是项目的目录结构及其介绍:
ReLeaSE/
├── checkpoints/
│ └── ... # 存储训练过程中的检查点文件
├── data/
│ └── ... # 存储项目所需的数据文件
├── figures/
│ └── ... # 存储生成的图表文件
├── release/
│ └── ... # 存储发布相关的文件
├── tests/
│ └── ... # 存储测试相关的文件
├── .gitignore
├── JAK2_min_max_demo.ipynb
├── LICENSE
├── LogP_optimization_demo.ipynb
├── README.md
├── RecurrentQSAR-example-logp.ipynb
├── conda_requirements.txt
└── pip_requirements.txt
目录介绍
- checkpoints/: 存储训练过程中的检查点文件,用于恢复训练状态。
- data/: 存储项目所需的数据文件,包括训练数据和测试数据。
- figures/: 存储生成的图表文件,用于可视化结果。
- release/: 存储发布相关的文件,可能包括版本控制信息。
- tests/: 存储测试相关的文件,用于项目的单元测试和集成测试。
- .gitignore: Git 忽略文件,指定哪些文件或目录不需要被版本控制。
- JAK2_min_max_demo.ipynb: JAK2 pIC50 最小化和最大化演示的 Jupyter Notebook 文件。
- LICENSE: 项目许可证文件,采用 MIT 许可证。
- LogP_optimization_demo.ipynb: 优化 logP 使其符合 Lipinski 规则的演示的 Jupyter Notebook 文件。
- README.md: 项目说明文件,包含项目的概述、安装和使用说明。
- RecurrentQSAR-example-logp.ipynb: 使用 OpenChem 工具包训练循环神经网络预测 logP 的演示的 Jupyter Notebook 文件。
- conda_requirements.txt: 使用 Anaconda 安装所需的依赖包列表。
- pip_requirements.txt: 使用 pip 安装所需的依赖包列表。
2. 项目的启动文件介绍
ReLeaSE 项目的主要启动文件是 Jupyter Notebook 文件,这些文件用于演示项目的不同功能和应用场景。以下是主要的启动文件及其功能介绍:
- JAK2_min_max_demo.ipynb: 演示如何最小化和最大化 JAK2 pIC50 值。
- LogP_optimization_demo.ipynb: 演示如何优化 logP 使其符合 Lipinski 规则。
- RecurrentQSAR-example-logp.ipynb: 演示如何使用循环神经网络预测 logP。
这些 Jupyter Notebook 文件包含了项目的核心功能演示,用户可以通过运行这些文件来了解和使用 ReLeaSE 项目。
3. 项目的配置文件介绍
ReLeaSE 项目的配置文件主要包括依赖包列表文件,用于安装项目所需的软件包。以下是主要的配置文件及其介绍:
-
conda_requirements.txt: 使用 Anaconda 安装所需的依赖包列表。用户可以通过以下命令安装这些依赖包:
conda install --yes --file conda_requirements.txt -
pip_requirements.txt: 使用 pip 安装所需的依赖包列表。用户可以通过以下命令安装这些依赖包:
pip install -r pip_requirements.txt
这些配置文件确保了项目在不同环境下的可移植性和一致性,用户可以根据这些文件快速配置项目运行环境。
通过以上指南,用户可以快速了解 ReLeaSE 项目的目录结构、启动文件和配置文件,从而顺利安装和使用该项目。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
196
218
暂无简介
Dart
635
144
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
652
276
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
245
316
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.12 K
627
仓颉编译器源码及 cjdb 调试工具。
C++
128
858
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
73
98
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
385
3.72 K