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）
欢迎加入QQ群-->： 979659372
