DeepChem
DeepChem 라이브러리는 약물 발견, 재료 과학, 화학, 생물학에서 딥러닝의 사용을 민주화하는 오픈 소스 툴을 제공합니다. 이 Weights & Biases 인테그레이션은 DeepChem을 사용하여 모델을 트레이닝할 때 간단하고 쉽게 사용할 수 있는 실험 추적과 모델 체크포인트를 추가합니다.
🧪 DeepChem에서 3줄의 코드로 로깅하기
logger = WandbLogger(…)
model = TorchModel(…, wandb_logger=logger)
model.fit(…)
리포트 & Google Colab
W&B DeepChem 인테그레이션을 사용하여 생성된 예제 차트를 살펴보려면 W&B와 DeepChem 사용하기: 분자 그래프 컨볼루셔널 네트워크 기사를 탐색하세요.
바로 작동하는 코드로 뛰어들고 싶다면 이 Google Colab을 확인하세요.
시작하기: 실험 추적하기
KerasModel 또는 TorchModel 타입의 DeepChem 모델을 위해 Weights & Biases를 설정하세요.
1) wandb 라이브러리를 설치하고 로그인하기
- 커맨드라인
- 노트북
pip install wandb
wandb login
!pip install wandb
import wandb
wandb.login()
2) WandbLogger 초기화 및 설정하기
from deepchem.models import WandbLogger
logger = WandbLogger(entity="my_entity", project="my_project")
3) 트레이닝 및 평가 데이터를 W&B에 로그하기
트레이닝 손실과 평가 메트릭은 Weights & Biases에 자동으로 로그될 수 있습니다. 선택적 평가는 DeepChem의 ValidationCallback을 사용하여 활성화할 수 있으며, WandbLogger는 ValidationCallback 콜백을 감지하고 생성된 메트릭을 로그할 것입니다.
- TorchModel
- KerasModel
from deepchem.models import TorchModel, ValidationCallback
vc = ValidationCallback(…) # 선택적
model = TorchModel(…, wandb_logger=logger)
model.fit(…, callbacks=[vc])
logger.finish()
from deepchem.models import KerasModel, ValidationCallback
vc = ValidationCallback(…) # 선택적
model = KerasModel(…, wandb_logger=logger)
model.fit(…, callbacks=[vc])
logger.finish()