TorchDrug 安装与使用教程

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 conda 和 docker）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。