DMPNN Model模型迁移适配指导

1. 模型概述

DMPNN模型是定向消息传递神经网络，它包含消息传递阶段和读取阶段。其中，在消息传递阶段，DMPNN使用编码器生成“分子中所有原子的隐藏状态”。在读取阶段，这些特征被传递到前馈神经网络中，以获得基于任务的预测结果。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DMPNN 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，该包已基于适配代码重新编译并上传至 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 deepchem as dc
import tempfile
import numpy as np
import os

try:
    import torch
    import torch_npu
    has_torch = True
except:
    has_torch = False

torch.manual_seed(0)

# load sample dataset
dir = os.path.dirname(os.path.abspath(__file__))
input_file = os.path.join(dir, 'assets/freesolv_sample_5.csv')
loader = dc.data.CSVLoader(tasks=['y'],
                            feature_field='smiles',
                            featurizer=dc.feat.DMPNNFeaturizer())
dataset = loader.create_dataset(input_file)

# initialize the model
from deepchem.models.torch_models.dmpnn import DMPNNModel
model = DMPNNModel(batch_size=2)

# overfit test
model.fit(dataset, nb_epoch=30)
metric = dc.metrics.Metric(dc.metrics.mean_absolute_error,
                            mode="regression")
scores = model.evaluate(dataset, [metric])

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 deepchem as dc
import tempfile
import numpy as np
import os

try:
    import torch
    import torch_npu
    has_torch = True
except:
    has_torch = False

torch.manual_seed(0)

# load sample dataset
dir = os.path.dirname(os.path.abspath(__file__))
input_file = os.path.join(dir, 'assets/freesolv_sample_5.csv')
loader = dc.data.CSVLoader(tasks=['y'],
                            feature_field='smiles',
                            featurizer=dc.feat.DMPNNFeaturizer())
dataset = loader.create_dataset(input_file)

# initialize the model
from deepchem.models.torch_models.dmpnn import DMPNNModel
model = DMPNNModel(batch_size=2)

# overfit test
model.fit(dataset, nb_epoch=30)
metric = dc.metrics.Metric(dc.metrics.mean_absolute_error,
                            mode="regression")
scores = model.evaluate(dataset, [metric])

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

测试结果：