《化学分子图识别算法的实现案例分析》6600字.docxVIP

化学分子图识别算法的实现案例分析

目录

TOC\o1-3\h\u81791.1深度学习识别算法 1

80641.2数据集 7

154501.3算法训练与测试 8

56271.4结果分析 12

本章主要介绍使用深度学习识别算法将化学分子图转化为SMILES序列。这一部分网络输入仅含有单个化学分子图的图片，预测输出对应的SMILES序列。后文同样将按照网络结构、数据集获取、网络训练和测试、训练结果分析的顺序对这一问题进行研究。

1.1深度学习识别算法

图4-1识别算法网络结构

这一部分的网络模型如图4-1所示，在这一网络中同样使用了Encoder-Decoder结构。编码器部分使用ResNet网络对输入图片进行编码，将输入网络模型的图片转化为含有图片特征的张量。解码器部分使用带有Attention机制的长短期记忆网络将编码后的信息逐步转化为SMILES序列中的字符。

网络使用3个类分别实现编码器、解码器和注意力机制。这三个类均继承了Pytorch中的Module类，且整体结构和前文中描述的U-net网络的模型类相似。通过重写Module类内初始化方法init和前向传播方法forward实现自定义的初始化和前向传播函数。

编码器接收图片输入后通过ResNet101层将输入图片编码，随后通过一个自适应平均池化层将输出转化为相同尺寸的编码器输出。