DGL官方教程--API--dgl.model_zoo

dgl.model_zoo 

Chemistry

实用工具

chem.load_pretrained（* args，** kwargs）

性能预测

当前支持的模型架构：

• GCN分类器
• GAT分类器
• 神经网络
• 网络
• MGCN
• AttentiveFP

classdgl.model_zoo.chem.GCNClassifier(** kwargs)

基于GCN的分子图多任务预测的预测器，我们假设每个任务都需要执行二元分类。

参数：	in_feats（int）–输入原子特征的数量 gcn_hidden_​​feats（list of int）– gcn_hidden_​​feats [i]给出第i + 1个gcn层中输出原子特征的数量 n_tasks（int）–预测任务数 classifier_hidden_​​feats（int）– MLP分类器隐藏层中的分子图特征数量 dropout（float）–dropout率。默认值为0。即，不执行任何丢弃操作。

forward(g, feats)

一批分子的多任务预测

参数：	g（DGLGraph）–能并行处理多个分子的DGLGraph，批处理大小为B feats (FloatTensor of shape (N, M0))–一批分子中所有原子的初始特征
返回值：	对这批分子上所有任务的软预测
返回类型：	FloatTensor of shape (B, n_tasks)

classdgl.model_zoo.chem.GATClassifier(** kwargs)

基于GAT的预测器，用于分子图上的多任务预测。我们假设每个任务都需要执行二元分类。

参数：	in_feats（int）–输入原子特征的数量

forward(g, feats)

一批分子的多任务预测

参数：	g（DGLGraph）–批处理大小为B的DGLGraph，用于并行处理多个分子 feats (FloatTensor of shape (N, M0)) –一批分子中所有原子的初始特征
返回值：	软预测分子批次上的所有任务
返回类型：	形状的FloatTensor（B，n个任务）

clas sdgl.model_zoo.chem.MPNNModel(** kwargs)

来自神经信息传递的量子化学的 MPNN

参数：	node_input_dim（int）–输入节点特征的尺寸，默认为15。 edge_input_dim（int）–输入边缘特征的尺寸，默认为15。 output_dim（int）–预测维度，默认为12。 node_hidden_​​dim（int）–隐藏图层中节点要素的尺寸，默认为64。 edge_hidden_​​dim（int）–隐藏图层中边缘要素的尺寸，默认为128。 num_step_message_passing（int）–消息传递步骤的数量，默认为6。 num_step_set2set（int）– set2set步骤数 num_layer_set2set（int）– set2set层数

forward(g，n_feat，e_feat)

预测分子标签

参数：	g（DGLGraph）–分子的输入DGLGraph n_feat (tensor of dtype float32 and shape (B1, D1))–节点特征。B1表示节点数，D1表示节点特征大小。 e_feat (tensor of dtype float32 and shape (B2, D2))–边缘特征。B2表示边数，D2表示边要素尺寸。
返回值：	res
返回类型：	预测标签

class dgl.model_zoo.chem.SchNet(** kwargs)

SchNet：用于建模量子相互作用的连续滤波器卷积神经网络。（NIPS'2017）

参数：	dim（int）–原子嵌入的大小，默认为64。 cutoff（float）– RBF的半径截止，默认为5.0。 output_dim（int）–要预测的目标属性的数量，默认为1。 width（int）– RBF的宽度，默认为1。 n_conv（int）–转换（交互）层数，默认为1。 norm（bool）–是否标准化输出原子表示，默认为False。 atom_ref（Atom embeddings 或None）–如果为None，将使用随机表示初始化。否则，它们将用于初始化原子表示。默认为无。 pre_train（Atom嵌入或None）–如果为None，则将使用随机表示初始化。否则，它们将用于初始化原子表示。默认为无。

forward(g，atom_types，edge_distances)

预测分子标签

参数：	g（DGLGraph）–分子的输入DGLGraph atom_types (int64 tensor of shape (B1))–图形中原子的类型，B1为原子数。 edge_distances (float32 tensor of shape (B2, 1)) -边缘的距离，B2为边缘的数量。
返回值：	预测 –批图的模型预测，图的数量为B，预测大小为output_dim。
返回类型：	loat32 tensor of shape (B, output_dim)

class dgl.model_zoo.chem.MGCNModel(** kwargs)

分子特性预测：多级量子相互作用建模的观点

参数：	dim（int）–嵌入的大小，默认为128。 width（int）– RBF层中的宽度，默认为1。 cutoff（float）–节点之间的最大距离，默认为5.0。 edge_dim（int）–边缘嵌入的大小，默认为128。 out_put_dim（int）–要预测的目标属性的数量，默认为1。 n_conv（int）–卷积层数，默认为3。 norm（bool）–是否执行标准化，默认为False。 atom_ref（Atom embeddings 或None）–如果为None，将使用随机表示初始化。否则，它们将用于初始化原子表示。默认为无。 pre_train（Atom嵌入或None）–如果为None，则将使用随机表示初始化。否则，它们将用于初始化原子表示。默认为无。

forward（g，atom_types，edge_distances ）[源代码]

预测分子标签

参数：	g（DGLGraph）–分子的输入DGLGraph atom_types（形状为（b1 ）的int64张量）–图形中原子的类型，B1为原子数。 edge_distances（FLOAT32张量形状（B2 ，1 ）） -边缘的距离，B2为边缘的数量。
返回值：	预测 –批图的模型预测，图的数量为B，预测大小为output_dim。
返回类型：	形状为（B，output_dim）的float32张量

classdgl.model_zoo.chem.AttentiveFP（** kwargs ）[源代码]

利用图注意力机制推动药物发现的分子表示边界

参数：	node_feat_size（int）–输入节点（原子）特征的大小。 edge_feat_size（int）–输入边缘（绑定）特征的大小。 num_layers（int）– GNN层数。 num_timesteps（int）–用GRU更新分子表示的时间步数。 graph_feat_size（int）–学习的图形表示的大小（分子指纹）。 output_size（int）–预测的大小（目标标签）。 dropout（float）–执行辍学的概率。

forward（g，node_feats，edge_feats，get_node_weight = False ）[源代码]

参数：	g（DGLGraph）–构造的DGLGraphs。 node_feats（形状为（V ，N1 ）的float32张量）–输入节点特征。V为节点数，N1为要素大小。 edge_feats（形状为（E ，N2 ）的float32张量）–输入边缘特征。E为边数，N2为特征尺寸。 get_node_weight（bool）–是否在读取期间获取原子的权重。
返回值：	形状为（G，N3）的float32张量 –图形的预测。G代表图表数量，N3代表输出尺寸。 node_weights（形状为（V，1）的float32张量的列表）–所有读取操作中节点的权重。

生成模型

当前支持的模型架构：

• DGMG
• 神经网络

classdgl.model_zoo.chem.DGMG（** kwargs ）[源代码]

DGMG模型

学习图的深度生成模型

用户只需要初始化此类的实例。

参数：	atom_types（list）–例如['C'，'N'] bond_types（列表）–例如[Chem.rdchem.BondType.SINGLE，Chem.rdchem.BondType.DOUBLE，Chem.rdchem.BondType.TRIPLE，Chem.rdchem.BondType.AROMATIC] node_hidden_​​size（int）–原子表示的大小 num_prop_rounds（int）–每次消息传递回合的次数 辍学（float）–辍学的可能性

forward（actions = None，rdkit_mol = False，compute_log_prob = False，max_num_steps = 400 ）[源代码]

参数：	动作（2元组列表或无。）–如果动作不是无，则根据动作生成分子。否则，将根据采样动作生成分子。 rdkit_mol（bool）–是否维护Chem.rdchem.Mol对象。这带来了额外的计算成本，但是如果我们对学习生成的分子感兴趣的话，这是必需的。 compute_log_prob（bool）–是否计算对数似然 max_num_steps（int）–允许的最大步数。这仅在推断期间生效，并防止模型停止。
返回值：	torch.tensor仅由浮点组成，可选 –所采取动作的对数似然 str，可选 –生成的分子形式为SMILES

classdgl.model_zoo.chem.DGLJTNNVAE（** kwargs ）[源代码]

用于生成分子图的连接树变分自编码器

forward（mol_batch，beta = 0，e1 = None，e2 = None ）[源代码]

定义每次调用时执行的计算。

应该被所有子类覆盖。

注意

尽管需要在此函数中定义向前传递的方法，但应在Module之后调用该实例，而不是调用该实例，因为前者负责运行已注册的钩子，而后者则静默地忽略它们。

蛋白配体结合

当前支持的模型架构：

• 神经网络

classdgl.model_zoo.chem.ACNN（** kwargs ）[源代码]

原子卷积网络。

该模型是在原子卷积网络中提出的，用于预测蛋白质-配体的结合亲和力。

参数：	hidden_​​sizes（int列表）–在预测变量中为所有图层指定隐藏大小。 weight_init_stddevs（浮点数列表）–在预测变量的初始化权重中指定用于截断正态分布的标准偏差。 dropouts（浮点列表）–指定要用于预测器中所有图层的辍学。 features_to_use（无或形状（T ）的浮动张量）–在原始论文中，这些是要考虑的原子序号，代表原子的类型。T为原子序数的类型。默认为无。 径向（无或列表）–如果不是无，则该列表由3个浮点列表组成，分别用于交互截止的选项，rbf内核均值的选项和rbf内核缩放的选项。如果为None，将使用默认选项 。[[12.0], [0.0, 2.0, 4.0, 6.0, 8.0], [4.0]] num_tasks（int）–输出任务数。

forward（图）[来源]

将模型应用于预测。

参数：	图（DGLHeteroGraph）– DGLHeteroGraph由配体图，蛋白质图和复杂图以及预处理的特征组成。
返回值：	预测的蛋白质-配体结合亲和力。B代表批次中蛋白质-配体对的数量，O代表任务的数量。
返回类型：	形状为（B，O）的Float32张量

下一个   以前