DeepChem

Intégrez W&B à la bibliothèque DeepChem pour le suivi des expériences et la visualisation des modèles de ML moléculaire.

La bibliothèque DeepChem fournit des outils open source qui démocratisent l’usage du deep learning dans la découverte de médicaments, la science des matériaux, la chimie et la biologie. Cette intégration W&B ajoute un suivi des expériences simple et facile à utiliser, ainsi que la gestion des points de contrôle du modèle pendant l’entraînement des modèles avec DeepChem.

Journalisation avec DeepChem en 3 lignes de code

logger = WandbLogger(…)
model = TorchModel(…, wandb_logger=logger)
model.fit(…)

Rapport et Google Colab

Consultez l’article W&B with DeepChem: Molecular Graph Convolutional Networks pour voir des exemples de graphiques générés à l’aide de l’intégration DeepChem de W&B.

Pour passer directement à du code opérationnel, consultez ce Google Colab.

Suivre les expériences

Configurez W&B pour les modèles DeepChem de type KerasModel ou TorchModel.

Inscrivez-vous et générez une clé API

Une clé API authentifie votre machine auprès de W&B. Vous pouvez générer une clé API depuis votre profil.

Pour une méthode plus directe, créez une clé API en accédant directement aux Paramètres utilisateur. Copiez immédiatement la clé API nouvellement créée et conservez-la dans un endroit sûr, par exemple dans un gestionnaire de mots de passe.

1. Cliquez sur l’icône de votre profil dans l’angle supérieur droit.
2. Sélectionnez Paramètres utilisateur, puis faites défiler jusqu’à la section Clés API.

Installez la bibliothèque wandb et connectez-vous

Pour installer la bibliothèque wandb localement et vous connecter :

Ligne de commande

1. Définissez la variable d’environnement WANDB_API_KEY avec votre clé API.

   export WANDB_API_KEY=<your_api_key>
   

2. Installez la bibliothèque wandb et connectez-vous.

   pip install wandb
   
   wandb login
   

Python

pip install wandb

import wandb
wandb.login()

Python notebook

!pip install wandb

import wandb
wandb.login()

Consignez vos données d’entraînement et d’évaluation dans W&B

La perte d’entraînement et les métriques d’évaluation peuvent être automatiquement consignées dans W&B. Vous pouvez activer l’évaluation facultative à l’aide du ValidationCallback de DeepChem ; WandbLogger détectera alors le callback ValidationCallback et consignera les métriques générées.

TorchModel

from deepchem.models import TorchModel, ValidationCallback

vc = ValidationCallback(…)  # facultatif
model = TorchModel(…, wandb_logger=logger)
model.fit(…, callbacks=[vc])
logger.finish()

KerasModel

from deepchem.models import KerasModel, ValidationCallback

vc = ValidationCallback(…)  # facultatif
model = KerasModel(…, wandb_logger=logger)
model.fit(…, callbacks=[vc])
logger.finish()