schnetpack-原子系统的深层神经网络
schnetpack的Python项目详细描述
#schnetpack-用于原子系统的深层神经网络schnetpack旨在提供可访问的原子神经网络
,这些神经网络可以在开箱即用的情况下进行训练和应用,同时还可以扩展到自定义原子体系结构。
支持更多的体系结构和数据集以及更多的功能。**
;安装
install schnetpack`
### Install from source
#### Clone the repository
`git clone https://github.com/atomistic-machine-learning/schnetpack.git`
`cd schnetpack`
#### Install requirements
`pip install -r requirements.txt`
#### Install SchNetPack
`python setup.py 安装`
`cd..`
安装期间,schnetpack提供的示例脚本将插入到您的路径中。
qm9示例
qm9示例脚本允许训练和评估schnet和wacsf神经网络。
可以使用以下命令开始训练:
`schnetpack qm9.py train<;schnet/wacsf>;<;datadir>;<;modeldir>;--split num-train num-val[--cuda]`
num train和num-val需要替换为培训数据点和验证数据点的数量。
您可以在schnet和wacsf网络之间进行选择,并且必须提供存储模型和qm9数据集的目录
(如果不在`<;datadir>;``中,则将下载)。使用“--cuda”标志,您可以激活gpu训练。
默认的超级参数应该可以正常工作,但是,您可以通过命令行参数更改它们。
请参阅
`schnetpack_qm9.py train<;schnet/wacsf>;--help`帮助。
培训进度将以csv
(默认)或tensorboard事件文件的形式记录在`<;modeldir>;/log`。对于后者,需要安装tensorboard来查看事件文件。
这可以通过安装tensorflow中包含的版本或[独立版本](https://github.com/dmlc/tensorboard)来完成。
调用schnetpack qm9.py eval<;schnet/wacsf>;<;datadir>;<;modeldir>;[--split train val test][--cuda]`
将结果文件“evaluation.txt”写入模型目录。
references
*[1]k.t.schütt。阿尔巴扎达。S.Chmiela,K.-R.Müller,A.Tkatchenko。来自深张量神经网络的量子化学见解。13890(2017年)
[10.1038/ncomms13890](http://dx.doi.org/10.1038/ncomms13890)
*[2]k.t.schütt.P.-J.Kindermans,H.E.Sauceda,S.Chmiela,A.Tkatchenko,K.-R.Müller。schnet:一种用于模拟量子相互作用的连续滤波卷积神经网络。
神经信息处理系统进展30,第992-1002页(2017年)[链接](http://papers.nips.cc/paper/6700-schnet-a-continuous-filter-compolutional-neural-network-for-modeling-quantum-interactions)
*[3]k.t.schütt.P.-J.Kindermans,H.E.Sauceda,S.Chmiela,A.Tkatchenko,K.-R.Müller。
schnet-一个深度学习架构分子和材料。
《化学物理杂志》148(24),241722(2018)[10.1063/1.5019779](https://doi.org/10.1063/1.5019779)
*[4]m.gastegger,l.schwiedrzik,m.bittermann,f.berzsenyi,p.marquetand.
wacsf加权原子中心对称函数作为机器学习潜能的描述符。
化学物理杂志,148(24),241709.(2018)[10.1063/1.5019667](https://doi.org/10.1063/1.5019667)
*[5]J.贝勒,M.帕里内洛。高维势能面的广义神经网络表示。
物理评论信,98(14),146401。(2007)[10.1103/physrevlett.98.146401](https://doi.org/10.1103/physrevlett.98.146401)
,这些神经网络可以在开箱即用的情况下进行训练和应用,同时还可以扩展到自定义原子体系结构。
支持更多的体系结构和数据集以及更多的功能。**
;安装
install schnetpack`
### Install from source
#### Clone the repository
`git clone https://github.com/atomistic-machine-learning/schnetpack.git`
`cd schnetpack`
#### Install requirements
`pip install -r requirements.txt`
#### Install SchNetPack
`python setup.py 安装`
`cd..`
安装期间,schnetpack提供的示例脚本将插入到您的路径中。
qm9示例
qm9示例脚本允许训练和评估schnet和wacsf神经网络。
可以使用以下命令开始训练:
`schnetpack qm9.py train<;schnet/wacsf>;<;datadir>;<;modeldir>;--split num-train num-val[--cuda]`
num train和num-val需要替换为培训数据点和验证数据点的数量。
您可以在schnet和wacsf网络之间进行选择,并且必须提供存储模型和qm9数据集的目录
(如果不在`<;datadir>;``中,则将下载)。使用“--cuda”标志,您可以激活gpu训练。
默认的超级参数应该可以正常工作,但是,您可以通过命令行参数更改它们。
请参阅
`schnetpack_qm9.py train<;schnet/wacsf>;--help`帮助。
培训进度将以csv
(默认)或tensorboard事件文件的形式记录在`<;modeldir>;/log`。对于后者,需要安装tensorboard来查看事件文件。
这可以通过安装tensorflow中包含的版本或[独立版本](https://github.com/dmlc/tensorboard)来完成。
调用schnetpack qm9.py eval<;schnet/wacsf>;<;datadir>;<;modeldir>;[--split train val test][--cuda]`
将结果文件“evaluation.txt”写入模型目录。
references
*[1]k.t.schütt。阿尔巴扎达。S.Chmiela,K.-R.Müller,A.Tkatchenko。来自深张量神经网络的量子化学见解。13890(2017年)
[10.1038/ncomms13890](http://dx.doi.org/10.1038/ncomms13890)
*[2]k.t.schütt.P.-J.Kindermans,H.E.Sauceda,S.Chmiela,A.Tkatchenko,K.-R.Müller。schnet:一种用于模拟量子相互作用的连续滤波卷积神经网络。
神经信息处理系统进展30,第992-1002页(2017年)[链接](http://papers.nips.cc/paper/6700-schnet-a-continuous-filter-compolutional-neural-network-for-modeling-quantum-interactions)
*[3]k.t.schütt.P.-J.Kindermans,H.E.Sauceda,S.Chmiela,A.Tkatchenko,K.-R.Müller。
schnet-一个深度学习架构分子和材料。
《化学物理杂志》148(24),241722(2018)[10.1063/1.5019779](https://doi.org/10.1063/1.5019779)
*[4]m.gastegger,l.schwiedrzik,m.bittermann,f.berzsenyi,p.marquetand.
wacsf加权原子中心对称函数作为机器学习潜能的描述符。
化学物理杂志,148(24),241709.(2018)[10.1063/1.5019667](https://doi.org/10.1063/1.5019667)
*[5]J.贝勒,M.帕里内洛。高维势能面的广义神经网络表示。
物理评论信,98(14),146401。(2007)[10.1103/physrevlett.98.146401](https://doi.org/10.1103/physrevlett.98.146401)