DataWhale AI + 物质科学 Task02 笔记

代码内容分析-笔记

（嗯？刚开始还有个0点几分，然后改了一下直接变负分了嘛？但是还是该写写该改改）

经过我的观察和分析，发现其代码内容包括以下三个方面

        1.数据处理与特征提取

        2.RNN模型的定义与训练

        3.模型的评估与预测

下面尝试进行这三个方面的分析：

一、数据处理与特征提取

主要代码：

class Smiles_tokenizer():
    def __init__(self, pad_token, regex, vocab_file, max_length):
        self.pad_token = pad_token
        self.regex = regex
        self.vocab_file = vocab_file
        self.max_length = max_length

        with open(self.vocab_file, "r") as f:
            lines = f.readlines()
        lines = [line.strip("\n") for line in lines]
        vocab_dic = {}
        for index, token in enumerate(lines):
            vocab_dic[token] = index
        self.vocab_dic = vocab_dic

    def _regex_match(self, smiles):
        regex_string = r"(" + self.regex + r"|"
        ...

其中主要包括两点：

1.Tokenization

        使用正则表达式将SMILES字符串分割成单独的字符或子字符串，并将这些字符映射到词汇表中的索引。