首页
/ TorchDrug 安装与使用教程

TorchDrug 安装与使用教程

2024-08-11 01:36:31作者:谭伦延

1. 项目目录结构及介绍

TorchDrug 是一个基于 PyTorch 的机器学习工具箱,专为药物发现设计。其目录结构如下:

torchdrug/
├── asset/         存放资源文件
├── conda/         包含 Conda 配置文件
├── doc/           文档源代码
├── docker/        Docker 镜像相关文件
├── test/          测试用例
└── torchdrug/     主要代码库
    ├── __init__.py
    ├── ...
    └── setup.py    安装脚本

torchdrug 目录包含了主要的模块,如数据结构、数据集、神经网络层、模型和任务特定的例行程序。其他子目录则是用于构建环境(如 condadocker)以及测试和文档。

2. 项目的启动文件介绍

TorchDrug 没有一个典型的 "启动文件",因为它是一个库,而不是一个独立的应用程序。不过,你可以通过导入库并调用不同的组件来使用它。例如,创建一个图实例或加载分子数据可以这样开始:

from torchdrug import data

edge_list = [[0, 1], [1, 2], [2, 3], [3, 4], [4, 5], [5, 0]]
graph = data.Graph(edge_list, num_node=6)
graph = graph.cuda()

mol = data.Molecule.from_smiles("CCOC(=O)N", atom_feature="default", bond_feature="default")
print(mol.node_feature)

在实际应用中,你可能会创建自定义的训练脚本来利用 TorchDrug 提供的功能。

3. 项目的配置文件介绍

TorchDrug 并不依赖传统的配置文件,而是通过 Python 代码中的参数传递来设置模型、优化器、数据加载器等。例如,你在运行模型时可以这样指定超参数:

import torch.optim as optim
from torchdrug.models import MPNN
from torchdrug.datasets import ZINC

model = MPNN(node_dim=64, edge_dim=64, hidden_dim=128, num_step=3)
optimizer = optim.Adam(model.parameters(), lr=0.001)
dataset = ZINC(root="./data", split="train")

# 使用配置参数进行训练
for epoch in range(num_epoch):
    model.train()
    for batch in dataset.batches():
        optimizer.zero_grad()
        output = model(batch.graph)
        loss = model.loss(output, batch.target)
        loss.backward()
        optimizer.step()

在上述代码中,我们没有使用外部配置文件,而是直接在代码中设置了模型参数、优化器和学习率等。如果你想将这些设置放在单独的文件中,可以创建一个 Python 脚本,然后在主程序中导入并执行它们。

请确保你的 Python 环境已经安装了 TorchDrug 及其依赖项,参考之前的安装指南进行安装:

pip install torch==1.9.0
pip install torch-scatter torch-cluster -f https://pytorch-geometric.com/whl/torch-1.9.0+cu102.html
pip install torchdrug

希望这个简短的教程对你理解如何安装和使用 TorchDrug 提供了一些帮助。更多详细的信息,建议查阅项目的官方文档和示例代码。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
nop-entropynop-entropy
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
8
0
RuoYi-Vue3RuoYi-Vue3
🎉 (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
941
555
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
ops-mathops-math
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++
510
44
Cangjie-ExamplesCangjie-Examples
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
344
1.32 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279