torchdrug

с

Документы | Учебные пособия | Тесты | Документы реализованы

Tourdrug-это набор инструментов для машинного обучения на основе Pytorch, предназначенный для нескольких целей.

• Легкая реализация графических операций в стиле Pytorchic с поддержкой GPU
• Быть дружелюбным к практикующим с минимальными знаниями о обнаружении наркотиков
• Быстрое прототипирование исследований машинного обучения

Установка

Торглет может быть установлен на Linux, Windows или MacOS. Он совместим с 3,7 <= Python <= 3,10 и Pytorch> = 1,8,0.

Из Конды

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

От 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

Чтобы установить torch-scatter для других версий Pytorch или CUDA, см. Инструкции на https://github.com/rusty1s/pytorch_scatter

Из источника

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

Windows (PowerShell)

Нам нужно сначала установить инструменты сборки для Visual Studio. Затем мы устанавливаем следующие модули в PowerShell.

 Install-Module Pscx - AllowClobber
Install-Module VSSetup

Инициализировать Visual Studio в PowerShell со следующими командами. Мы можем настроить это для всех сессий PowerShell, написав его в профиль PowerShell. Измените путь библиотеки в соответствии с вашим собственным делом.

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

Яблочный кремний (чипсы M1/M2)

Нам нужен Pytorch> = 1,13, чтобы запустить Torchdrug на яблочном кремнии. Для torch-scatter и torch-cluster они могут быть составлены из их источников. Примечание Torchdrug не поддерживает устройства 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

Быстрый старт

Торглуг предназначен для людей и ориентирован на структурированные графические данные. Это обеспечивает легкую реализацию графических операций в моделях машинного обучения. Все операции в Torcldrug поддерживаются Pytorch Framework и поддерживают ускорение графического процессора и дифференцировку авто.

 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 ])

Молекулы также поддерживаются в турковом. Вы можете получить желаемые свойства молекулы без каких -либо доменных знаний.

 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 ())

Вы также можете зарегистрировать пользовательские атрибуты узла, края или графика. Они будут автоматически обрабатываться во время операций индексации.

 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 )

Tourdrug предоставляет широкий спектр общих наборов данных и строительных блоков для обнаружения лекарств. С минимальным кодом вы можете применить стандартные модели для решения собственной проблемы.

 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 )

Обучение и вывод ускоряются с помощью нескольких процессоров или графических процессоров. Это может быть легко переключено в Toughdrug всего линейкой кода.

 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 ])

Эксперименты можно легко отслеживать и управлять с помощью платформы Weess & Biases.

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

Внося

Каждый может внести свой вклад в развитие Torchdrug. Пожалуйста, обратитесь к рекомендациям для получения более подробной информации.

Лицензия

TOCLDRUG выпускается по лицензии Apache-2.0.