从零入门AI for Science#Datawhale AI夏令营

先这样，还没弄清楚怎么写，等我完善

siRNA数据集的深度学习模型训练框架

1. 依赖库的导入

2. 基因组分词器类

代码解读

1. 类初始化：__init__ 方法接受两个参数 ngram 和 stride，用于设置分词器的 n-gram 长度和步幅。
2. 分词方法：tokenize 方法将输入的序列转换为大写，并根据 ngram 和 stride 对序列进行分词。
3. n-gram 长度为 1 的处理：如果 ngram 为 1，直接将序列转换为字符列表。
4. n-gram 长度大于 1 的处理：按步幅进行分词，并确保每个分词的长度等于 ngram。
5. 最后一个分词的处理：如果最后一个分词长度小于 ngram，将其移除。
6. 返回分词结果：返回处理后的分词结果列表。

3. 基因组词汇类

该类用于创建一个词汇表，用于将基因组片段映射为索引。

代码解读

1. 类初始化：__init__ 方法接受一个参数 itos，它是一个词汇表列表。

   • itos：从索引到词汇的映射。
   • stoi：从词汇到索引的映射，由 itos 列表生成。

2. 类方法 create：创建词汇表的类方法，用于生成 GenomicVocab 类的实例。

   • 参数：
     • tokens：所有token的列表。
     • max_vocab：词汇表的最大容量。
     • min_freq：词汇在被包含到词汇表中的最低频率。
   • 步骤：
     • 统计 tokens 中每个token出现的频率。
     • 按照频率从高到低排序，并选择出现频率大于等于 min_freq 的token，最多保留 max_vocab 个。
     • 在词汇表中添加一个特殊的 <pad> token，用于填充序列。
     • 返回包含生成的 itos 列表的 GenomicVocab 实例。

4. siRNA数据集类

该类用于加载siRNA数据，并将序列数据转换为模型可以处理的格式。

代码解读

1. 初始化：__init__ 方法初始化数据集的必要参数：

   • df：包含数据的Pandas数据框。
   • columns：包含序列的列名列表。
   • vocab：词汇表对象，用于将token转换为索引。
   • tokenizer：分词器对象，用于将序列分割为token。
   • max_len：序列的最大长度，所有序列将被填充或截断到这个长度。
   • is_train：布尔值，指示数据集是否用于训练（默认为False）。

2. 获取数据集长度：__len__ 方法返回数据集的样本数量。

3. 获取样本：getitem 方法获取数据集中指定索引的样本：

   • 获取指定行的数据。
   • 对每个包含序列的列进行分词和编码。
   • 获取目标值（mRNA_remaining_pct），并将其转换为张量。
   • 返回编码后的序列和目标值。

4. 分词和编码：tokenize_and_encode 方法对输入序列进行分词和编码：

   • 如果序列中包含空格，按空格分词（表示序列已经被修改）。
   • 否则，使用分词器对序列进行分词。
   • 将分词结果转换为索引，未知token用0（<pad>）表示。
   • 对序列进行填充，使其长度等于最大长度 max_len。
   • 返回张量格式的填充序列。

5. siRNA Model

这是一个基于GRU的神经网络模型，用于处理siRNA序列。

代码解读

1. 初始化方法 __init__：

   • vocab_size：词汇表大小，用于嵌入层。
   • embed_dim：嵌入维度，嵌入层将词汇映射为 embed_dim 维向量。
   • hidden_dim：隐藏层维度，GRU的隐藏状态维度。
   • n_layers：GRU的层数。
   • dropout：Dropout层的丢弃率，用于防止过拟合。

该方法初始化了模型的各层，包括嵌入层、GRU层、全连接层和Dropout层。

1. 前向传播方法 forward：

   • 将输入序列传入嵌入层进行词汇嵌入。
   • 对每个嵌入的序列进行GRU处理，提取最后一个隐藏状态并进行Dropout处理。
   • 将所有处理后的序列输出拼接起来，并传入全连接层。
   • 返回经过全连接层后的结果。

6. 评估指标计算函数

该函数用于计算模型的各项评估指标，包括精确度、召回率、F1值和评分。

代码解读

1. 计算平均绝对误差 (MAE)：

   • mae = np.mean(np.abs(y_true - y_pred))：计算实际值和预测值之间的平均绝对误差。

2. 将实际值和预测值转换为二进制分类：

   • y_true_binary = (y_true < threshold).astype(int)：如果实际值小于阈值，设为1，否则设为0。
   • y_pred_binary = (y_pred < threshold).astype(int)：如果预测值小于阈值，设为1，否则设为0。

3. 创建掩码：

   • mask = (y_pred >= 0) & (y_pred <= threshold)：筛选预测值在0和阈值之间的样本。
   • range_mae = mean_absolute_error(y_true[mask], y_pred[mask]) if mask.sum() > 0 else 100：计算这些样本的平均绝对误差，如果没有符合条件的样本，设为100。

4. 计算精确度、召回率和F1得分：

   • precision = precision_score(y_true_binary, y_pred_binary, average='binary')：计算精确度。
   • recall = recall_score(y_true_binary, y_pred_binary, average='binary')：计算召回率。
   • f1 = 2 * precision * recall / (precision + recall)：计算F1得分。

5. 计算综合评分：

   • score = (1 - mae / 100) * 0.5 + (1 - range_mae / 100) * f1 * 0.5：综合MAE、范围内的MAE和F1得分，计算最终评分。

6. 返回评分：

   • return score：返回综合评分。

7. 模型评估函数

该函数用于在测试集上评估模型性能。

8. 模型训练函数

函数用于训练模型，并在每个epoch后评估模型的性能，保存最佳模型。

9. 训练主程序

10. 测试程序