概览
DeepChem 是一个科学机器学习工具链，旨在支持药物发现、材料科学、量子化学和生物学中的深度学习工作。它是一个库和学习资源集合，而不是单一的预训练预测器或托管分析服务。所提供的资料介绍了对 TensorFlow、PyTorch 和 JAX 的支持，研究人员可根据计划使用的模型选择相应框架。
文档所述的入门流程从按顺序编排的分子机器学习和计算生物学教程开始，之后还可参考其他示例。这些教程面向 Google Colab 或本地运行环境。对于新的研究问题，项目建议逐步改编现有教程或示例。科学数据集可作为这些工作流程的输入，但来源摘录未说明所接受的文件格式、数据表示形式或各个模型的输出模式。摘录明确介绍了与 Weights & Biases 的集成，用于跟踪模型训练和评估指标。
环境准备是采用该工具链时的重要环节。DeepChem 具有核心科学计算依赖项，包括 NumPy、pandas、scikit-learn、SciPy 和 RDKit，此外还有取决于所选功能的可选依赖项。安装方式包括 pip、conda、Docker 和源码构建，并提供稳定版和 nightly 选项。README 与软件包配置中的 Python 兼容性声明有所不同，因此这些摘录无法确定一个一致的受支持版本范围。它们也未提供任务层面的性能结果，或证明某个特定模型能够推广到新的科学数据集。
主要功能
- 通过分别指定的可选依赖项支持 TensorFlow、PyTorch 和 JAX 工作流程。
- 提供按顺序编排的分子机器学习和计算生物学教程，面向在 Google Colab 或本地运行环境中使用。
- 提供其他示例，可作为将 DeepChem 改编用于新研究问题的起点。
- 集成 Weights & Biases，用于跟踪模型训练和评估指标。
- 说明了 pip、conda、Docker 和源码安装方式，包括 stable 和 nightly 构建。
使用场景
- 建议的评估：将分子机器学习教程改编用于药物发现数据集，并评估其是否适合目标预测任务。
- 建议的评估：考察文档所述模型和示例是否满足材料科学或量子化学项目对数据表示和输出的要求。
- 在 Google Colab 或本地环境中完成按顺序编排的教程，学习分子机器学习和计算生物学。
- 建议的评估：使用文档所述的 Weights & Biases 集成，比较不同实验工作流程中的训练和评估指标。
使用方式
- 从官方文档开始，找出与科学问题相关的教程或示例。请核对其实际输入和输出要求，不要假设存在通用的数据集接口。
- 查阅仓库安装指南，选择 stable、nightly、Docker 或源码安装方式。请确认所选软件包的要求，因为所提供的 Python 声明存在差异。
- 确认所选模型是否需要 TensorFlow、PyTorch 或 JAX。查阅软性依赖指南，了解其他软件包；GPU 设置也取决于所选框架。
- 在更改工作流程之前，先在 Google Colab 或本地完成相关教程。记录环境和数据集假设。
- 逐步将现有示例改编用于你的数据集。作为预期的评估步骤，在依赖预测结果之前，评估特定任务的结果和局限性；也可选择使用 Weights & Biases 集成跟踪指标。