DTNN Model模型迁移适配指导

1. 模型概述

DTNN Model是深度张量神经网络，它通过分子的库仑矩阵（Coulomb Matrix）表示获取该分子的距离矩阵和原子的成员信息。然后，它通过考虑每个原子与其邻近原子的相互作用，迭代地优化每个原子的表示。最后，通过将各个原子的能量相加，预测整个分子的能量。该模型在药物发现、材料科学和计算化学等任务中展现出强大能力，本文描述的DTNN Model模型是基于DeepChem套件实现的，后续适配也是基于该套件修改。

2. 准备运行环境

2.1 软件环境

组件	版本
Python	3.10.19
PyTorch	2.1.0
torch_npu	2.1.0.post13
CANN	8.1.RC1

2.2 硬件环境

设备型号	NPU 配置
Atlas 800T A2	单卡 / 多卡

2.3 准备镜像

镜像环境	镜像地址
公网	swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-euler_2.10.11-aarch64-snt9b-20250603154214-4e60e43

2.4 启动镜像

docker run -u root --privileged \
 --name {container_name} \
 --device /dev/davinci0 \
 --device /dev/davinci_manager \
 --device /dev/devmm_svm \
 --device /dev/hisi_hdc \
 -v /usr/local/dcmi:/usr/local/dcmi \
 -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
 -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
 -v /etc/ascend_install.info:/etc/ascend_install.info \
 -itd {image_id} /bin/bash

3 运行指导

3.1 安装已完成迁移的deepchem-ascend

docker exec -it {container_name} bash

直接安装deepchem-ascend二进制包，已基于适配代码重新编译成二进制包上传pypi

pip install deepchem-ascend==0.0.1

3.2 安装依赖

安装运行必要的依赖库

pip install torch-geometric

3.3 测试验证

测试代码举例如下：

import os
import tempfile

import numpy as np

from deepchem.data import SDFLoader
from deepchem.feat import CoulombMatrix

try:
    import torch_npu
    from deepchem.models.torch_models import DTNNModel
except ModuleNotFoundError:
    pass

current_dir = os.path.dirname(os.path.abspath(__file__))
dataset_file = os.path.join(current_dir, "assets/qm9_mini.sdf")
TASKS = ["alpha", "homo"]
loader = SDFLoader(tasks=TASKS, featurizer=CoulombMatrix(29), sanitize=True)
data = loader.create_dataset(dataset_file, shard_size=100)

model = DTNNModel(data.y.shape[1],
                    n_embedding=40,
                    n_distance=100,
                    learning_rate=0.8,
                    mode="regression")
model.fit(data, nb_epoch=1000)

# Eval model on train
pred = model.predict(data)

mean_rel_error = np.mean(np.abs(1 - pred / (data.y)))

device = next(model.model.parameters()).device
print(f"模型所在设备: {device}")

测试结果：

1. 模型概述

组件

版本

Python

3.10.19

PyTorch

2.1.0

torch_npu

2.1.0.post13

CANN

8.1.RC1

设备型号

NPU 配置

Atlas 800T A2

单卡 / 多卡

镜像环境

镜像地址

公网

swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-euler_2.10.11-aarch64-snt9b-20250603154214-4e60e43

2.4 启动镜像

docker run -u root --privileged \
 --name {container_name} \
 --device /dev/davinci0 \
 --device /dev/davinci_manager \
 --device /dev/devmm_svm \
 --device /dev/hisi_hdc \
 -v /usr/local/dcmi:/usr/local/dcmi \
 -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
 -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
 -v /etc/ascend_install.info:/etc/ascend_install.info \
 -itd {image_id} /bin/bash

3.3 测试验证

测试代码举例如下：

import os
import tempfile

import numpy as np

from deepchem.data import SDFLoader
from deepchem.feat import CoulombMatrix

try:
    import torch_npu
    from deepchem.models.torch_models import DTNNModel
except ModuleNotFoundError:
    pass

current_dir = os.path.dirname(os.path.abspath(__file__))
dataset_file = os.path.join(current_dir, "assets/qm9_mini.sdf")
TASKS = ["alpha", "homo"]
loader = SDFLoader(tasks=TASKS, featurizer=CoulombMatrix(29), sanitize=True)
data = loader.create_dataset(dataset_file, shard_size=100)

model = DTNNModel(data.y.shape[1],
                    n_embedding=40,
                    n_distance=100,
                    learning_rate=0.8,
                    mode="regression")
model.fit(data, nb_epoch=1000)

# Eval model on train
pred = model.predict(data)

mean_rel_error = np.mean(np.abs(1 - pred / (data.y)))

device = next(model.model.parameters()).device
print(f"模型所在设备: {device}")

测试结果：