化学VAE项目开源教程

化学VAE项目开源教程

chemical_vae Code for 10.1021/acscentsci.7b00572, now running on Keras 2.0 and Tensorflow 项目地址: https://gitcode.com/gh_mirrors/ch/chemical_vae

1. 项目介绍

本项目是基于变分自编码器（VAE）的开源项目，用于处理化学分子结构的SMILES表示。VAE能够将SMILES编码为一个向量表示，并可以从该向量解码回SMILES。此外，VAE还可以与属性预测任务联合训练，以优化潜在空间，进而发现具有最优属性的分子。本项目使用了ZINC数据集，并在预测logP、QED和SAS属性时对潜在空间进行优化。

2. 项目快速启动

首先，确保您的环境中安装了以下依赖项：

• Python 3.5或更高版本
• Keras 2.0.0至2.0.7版本
• Tensorflow 1.1版本
• RDKit
• Numpy
• Jupyter Notebook（用于运行ipynb示例）

创建虚拟环境

conda env create -f environment.yml
source activate chemvae

安装项目：

python setup.py install

或者使用pip：

pip install git+https://github.com/aspuru-guzik-group/chemical_vae.git

运行VAE

在包含exp.json的目录下运行以下命令：

python -m chemvae.train_vae

确保复制示例目录，以避免覆盖训练好的权重文件（*.h5）。

3. 应用案例和最佳实践

示例：ZINC数据集

本项目包含一个如何使用VAE处理ZINC数据集的示例。查看zinc目录，参数设置在以下json文件中：

• exp.json：设置数据位置、实验参数、训练轮数、预测属性等。
• params.json：可以覆盖exp.json和hyperparameters.py中的参数设置。

设置完参数后，使用上述命令启动VAE训练。

4. 典型生态项目

本项目的生态系统中包括了以下组件：

• train_vae.py：训练VAE的主脚本。
• models.py：包含编码器、解码器和属性预测模型的库。
• tgru_k2_gpu.py：包含自定义教师强制/采样功能的keras层。
• sampled_rnn_tf.py：为tgru_k2_gpu.py编写的自定义RNN函数，基于tensorflow后端。
• hyperparameters.py：VAE的一些默认参数设置。
• mol_utils.py：用于将SMILES转换为one-hot编码和反向转换的库。
• mol_callbacks.py：train_vae.py中使用的回调库。
• vae_utils.py：用于VAE对象的后期处理工具函数。

以上就是关于化学VAE项目的开源教程，希望能够帮助您快速上手并有效地使用该项目。

chemical_vae Code for 10.1021/acscentsci.7b00572, now running on Keras 2.0 and Tensorflow 项目地址: https://gitcode.com/gh_mirrors/ch/chemical_vae