core_concepts

# 核心概念与技术细节 ## 概述 本参考文档涵盖了 TorchDrug 的基础架构、设计原则和技术实现细节。 ## 架构理念 ### 模块化设计 TorchDrug 将关注点分离为不同的模块： 1. **表示模型** (models.py)：将图编码为嵌入向量 2. **任务定义** (tasks.py)：定义学习目标和评估方式 3. **数据处理** (data.py, datasets.py)：图结构和数据集 4. **核心组件** (core.py)：基类和工具 **优势：** - 在不同任务间复用表示 - 灵活组合组件 - 便于实验和原型设计 - 关注点清晰 ### 可配置系统 所有组件均继承自 `core.Configurable`： - 序列化为配置字典 - 从配置中重建 - 保存和加载完整工作流 - 可重复的实验 ## 核心组件 ### core.Configurable 所有 TorchDrug 组件的基类。 **关键方法：** - `config_dict()`：序列化为字典 - `load_config_dict(config)`：从字典加载 - `save(file)`：保存到文件 - `load(file)`：从文件加载 **示例：** python from torchdrug import core, models model = models.GIN(input_dim=10, hidden_dims=[256, 256]) # 保存配置 config = model.config_dict() # {'class': 'GIN', 'input_dim': 10, 'hidden_dims': [256, 256], ...} # 重建模型 model2 = core.Configurable.load_config_dict(config) ### core.Registry 用于注册模型、任务和数据集的装饰器。 **用法：** python from torchdrug import core as core_td @core_td.register("models.CustomModel") class CustomModel(nn.Module, core_td.Configurable): def __init__(self, input_dim, hidden_dim): super().__init__() self.linear = nn.Linear(input_dim, hidden_dim) def forward(self, graph, input, all_loss, metric): # 模型实现 pass **优势：** - 模型可自动序列化 - 基于字符串的模型指定 - 易于查找和实例化模型 ## 数据结构 ### Graph 表示分子或蛋白质图的核心数据结构。 **属性：** - `num_node`: 节点数量 - `num_edge`: 边数量 - `node_feature`: 节点特征张量 [num_node, feature_dim] - `edge_feature`: 边特征张量 [num_edge, feature_dim] - `edge_list`: 边连接 [num_edge, 2 或 3] - `num_relation`: 边类型数量（用于多关系图） **方法：** - `