torchdrug

com

DOCs | Tutoriais | Benchmarks | Artigos implementados

A Torchdrug é uma caixa de ferramentas de aprendizado de máquina baseada em Pytorch, projetada para vários fins.

• Fácil implementação de operações gráficas em um estilo pytorquic com suporte à GPU
• Ser amigável com os profissionais com conhecimento mínimo sobre a descoberta de medicamentos
• Prototipagem rápida da pesquisa de aprendizado de máquina

Instalação

O Torchdrug pode ser instalado no Linux, Windows ou MacOS. É compatível com 3.7 <= python <= 3.10 e pytorch> = 1.8.0.

De conda

conda install torchdrug -c milagraph -c conda-forge -c pytorch -c pyg

De pip

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

Para instalar torch-scatter para outras versões Pytorch ou Cuda, consulte as instruções em https://github.com/rusty1s/pytorch_scatter

Da fonte

git clone https://github.com/DeepGraphLearning/torchdrug
cd torchdrug
pip install -r requirements.txt
python setup.py install

Windows (PowerShell)

Precisamos primeiro instalar as ferramentas de construção para o Visual Studio. Em seguida, instalamos os seguintes módulos em PowerShell.

 Install-Module Pscx - AllowClobber
Install-Module VSSetup

Inicialize o Visual Studio em PowerShell com os seguintes comandos. Podemos configurar isso para todas as sessões do PowerShell, escrevendo -o para o perfil do PowerShell. Altere o caminho da biblioteca de acordo com o seu próprio caso.

 Import-VisualStudioVars - Architecture x64
$ env: LIB += " ;C:Program FilesPython37libs "

Apple Silicon (chips M1/M2)

Precisamos de pytorch> = 1,13 para executar o Torchdrug no Apple Silicon. Para torch-scatter e torch-cluster , eles podem ser compilados de suas fontes. Nota O Torchdrug não suporta dispositivos mps .

pip install torch==1.13.0
pip install git+https://github.com/rusty1s/pytorch_scatter.git
pip install git+https://github.com/rusty1s/pytorch_cluster.git
pip install torchdrug

Início rápido

Torchdrug foi projetado para seres humanos e focado em dados estruturados de gráficos. Ele permite fácil implementação de operações gráficas em modelos de aprendizado de máquina. Todas as operações no Torchdrug são apoiadas pela estrutura do Pytorch e apoiam a aceleração da GPU e a diferenciação automática.

 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 ()
# the subgraph induced by nodes 2, 3 & 4
subgraph = graph . subgraph ([ 2 , 3 , 4 ])

As moléculas também são suportadas em Torchdrug. Você pode obter as propriedades da molécula desejada sem nenhum conhecimento do domínio.

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

Você também pode registrar atributos de nó, borda ou gráfico personalizados. Eles serão processados automaticamente durante as operações de indexação.

 with mol . edge ():
	mol . is_CC_bond = ( mol . edge_list [:, : 2 ] == td . CARBON ). all ( dim = - 1 )
sub_mol = mol . subgraph ( mol . atom_type != td . NITROGEN )
print ( sub_mol . is_CC_bond )

A Torchdrug fornece uma ampla gama de conjuntos de dados comuns e blocos de construção para descoberta de medicamentos. Com código mínimo, você pode aplicar modelos padrão para resolver seu próprio problema.

 import torch
from torchdrug import datasets

dataset = datasets . Tox21 ()
dataset [ 0 ]. visualize ()
lengths = [ int ( 0.8 * len ( dataset )), int ( 0.1 * len ( dataset ))]
lengths += [ len ( dataset ) - sum ( lengths )]
train_set , valid_set , test_set = torch . utils . data . random_split ( dataset , lengths )

 from torchdrug import models , tasks

model = models . GIN ( dataset . node_feature_dim , hidden_dims = [ 256 , 256 , 256 , 256 ])
task = tasks . PropertyPrediction ( model , task = dataset . tasks )

O treinamento e a inferência são acelerados por várias CPUs ou GPUs. Isso pode ser alterado perfeitamente no Torchdrug por apenas uma linha de código.

 from torchdrug import core

# Single CPU / Multiple CPUs / Distributed CPUs
solver = core . Engine ( task , train_set , valid_set , test_set , optimizer )
# Single GPU
solver = core . Engine ( task , train_set , valid_set , test_set , optimizer , gpus = [ 0 ])
# Multiple GPUs
solver = core . Engine ( task , train_set , valid_set , test_set , optimizer , gpus = [ 0 , 1 , 2 , 3 ])
# Distributed GPUs
solver = core . Engine ( task , train_set , valid_set , test_set , optimizer , gpus = [ 0 , 1 , 2 , 3 , 0 , 1 , 2 , 3 ])

As experiências podem ser facilmente rastreadas e gerenciadas através da plataforma de pesos e preconceitos.

 solver = core . Engine ( task , train_set , valid_set , test_set , optimizer , logger = "wandb" )

Contribuindo

Todos podem contribuir para o desenvolvimento do Torchdrug. Consulte as diretrizes contribuintes para obter mais detalhes.

Licença

Torchdrug é liberado sob licença Apache-2.0.