01
02
-
最小化领域知识。面向机器学习社区,TorchDrug 提取了大部分领域知识并提供了基于张量的接口,允许用户使用张量代数和机器学习运算来控制生物医学对象。
-
数据集与搭建模块。平台模型训练时,采用大量公开数据集,规避数据隐私带来的诸多问题。模块搭建完成后进行标准化处理,增加模块的扩展性和适用性,用户不用编写代码就能调用标准模型,以便有更多的时间和精力去聚焦药物发现的核心问题。
-
综合基准测试。目前,开发人员已经完成对该平台的多项药物发现任务的综合基准测试,并提供了热门深度学习架构的系统对比。基准测试结果预计将跟随新模型的进步以激发新的研究方向。
-
可扩展的训练和推理。TorchDrug 已经具备较强的扩展性,可以适配多个 CPU 或 GPU 的训练和推理,并且加速方式的切换十分简单,仅需一行代码,即可让用户在 CPU、GPU 或分布式设置之间无缝切换。
03
04
评论
沙发等你来抢