数据集
ESMMaskedResidueDataset
基类:Dataset
用于 ESM 预训练的数据集类,实现了 UniRef50 和 UniRef90 序列的聚类抽样。
Megatron-LM 期望输入数据集是可索引的,并且对于给定索引的数据集输出是确定性的。在聚类抽样中,这可能很棘手,因为我们需要对 UniRef50 聚类执行加权抽样。
在此,getitem(i) 从 i % len(dataset) UniRef50 聚类中返回一个随机抽样的 UniRef90 序列,其中 i 控制用于选择 UniRef90 序列和执行掩码的随机种子。
多 epoch 训练
目前,此类拥有通过直接传递大于提供的聚类总数的 total_samples 来对蛋白质进行上采样的逻辑,以进行多 epoch 训练。这样做是因为 megatron 训练假设 dataset[i]
在分布式训练中始终返回完全相同的张量。因为我们希望每次采样给定聚类时都改变掩码模式和聚类抽样,所以我们在数据集本身内部创建我们自己的伪 epoch。最终,我们希望摆脱这种模式,并允许多 epoch 训练通过回调来改变数据集的随机状态,并允许 megatron 采样器处理样本顺序的 epoch 到 epoch 混洗。
源代码位于 bionemo/esm2/data/dataset.py
92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 |
|
__getitem__(index)
确定性地掩盖并从数据集中返回蛋白质序列。
此方法从输入聚类列表中的 i % len(dataset) 聚类中采样。可以通过使用 i + len(dataset) 调用此方法来实现同一聚类的随机抽取,即环绕数据集长度。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
index
|
EpochIndex
|
当前 epoch 和要采样的聚类索引。 |
必需 |
返回
类型 | 描述 |
---|---|
BertSample
|
一个(可能被截断的)、带掩码的蛋白质序列,带有 CLS 和 EOS 令牌以及相关的掩码字段。 |
源代码位于 bionemo/esm2/data/dataset.py
169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 |
|
__init__(protein_dataset, clusters, seed=np.random.SeedSequence().entropy, max_seq_length=1024, mask_prob=0.15, mask_token_prob=0.8, mask_random_prob=0.1, random_mask_strategy=RandomMaskStrategy.ALL_TOKENS, tokenizer=tokenizer.get_tokenizer())
初始化数据集。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
protein_dataset
|
数据集
|
包含蛋白质序列的数据集,按 UniRef90 ID 索引。 |
必需 |
clusters
|
Sequence[Sequence[str]]
|
所有训练序列的 UniRef90 ID,按 UniRef50 聚类分桶。或者,对于验证,这也可能只是 UniRef50 ID 的列表,每个条目都是一个长度为 1 的列表,其中包含单个 UniRef50 ID。 |
必需 |
total_samples
|
要从数据集中抽取的样本总数。 |
必需 | |
seed
|
int
|
用于重现性的随机种子。此种子与要检索的样本的索引混合,以确保 getitem 是确定性的,但在不同运行中可以是随机的。如果为 None,则生成随机种子。 |
entropy
|
max_seq_length
|
int
|
将长序列裁剪为此最大长度,包括 BOS 和 EOS 令牌。 |
1024
|
mask_prob
|
float
|
令牌包含在损失函数中的总体概率。默认为 0.15。 |
0.15
|
mask_token_prob
|
float
|
分配给掩码令牌的比例 |
0.8
|
mask_random_prob
|
float
|
分配给随机自然氨基酸的令牌比例。默认为 0.1。 |
0.1
|
random_mask_strategy
|
RandomMaskStrategy
|
是否用所有令牌或仅氨基酸替换随机掩码令牌。默认为 RandomMaskStrategy.ALL_TOKENS。 |
ALL_TOKENS
|
tokenizer
|
BioNeMoESMTokenizer
|
输入 ESM tokenizer。默认为标准 ESM tokenizer。 |
get_tokenizer()
|
源代码位于 bionemo/esm2/data/dataset.py
114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 |
|
__len__()
返回聚类的数量,这构成一个 epoch。
源代码位于 bionemo/esm2/data/dataset.py
165 166 167 |
|
ProteinSQLiteDataset
基类:Dataset
用于存储在 SQLite 数据库中的蛋白质序列的数据集。
源代码位于 bionemo/esm2/data/dataset.py
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 |
|
__getitem__(idx)
返回给定索引处蛋白质的序列。
TODO:此方法可能希望支持批量索引以提高性能。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
idx
|
str
|
蛋白质序列的标识符。对于训练数据,这些是 UniRef90 ID,而对于验证数据,它们是 UniRef50 ID。 |
必需 |
返回
类型 | 描述 |
---|---|
str
|
蛋白质序列,以字符串形式。 |
源代码位于 bionemo/esm2/data/dataset.py
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 |
|
__init__(db_path)
初始化数据集。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
db_path
|
str | PathLike
|
到 SQLite 数据库的路径。 |
必需 |
源代码位于 bionemo/esm2/data/dataset.py
52 53 54 55 56 57 58 59 60 |
|
__len__()
返回数据集中的蛋白质数量。
返回
类型 | 描述 |
---|---|
int
|
数据集中的蛋白质数量。 |
源代码位于 bionemo/esm2/data/dataset.py
62 63 64 65 66 67 68 69 70 71 |
|
RandomMaskStrategy
基类:str
, Enum
用于不同随机掩码策略的枚举。
在 ESM2 预训练中,所有令牌的 15% 被掩码,其中 10% 被随机令牌替换。此类控制要从中选择的随机令牌集。
源代码位于 bionemo/esm2/data/dataset.py
35 36 37 38 39 40 41 42 43 44 45 46 |
|
ALL_TOKENS = 'all_tokens'
class-attribute
instance-attribute
使用 tokenizer 中的所有令牌进行掩码,包括特殊令牌、填充和非规范氨基酸令牌。
AMINO_ACIDS_ONLY = 'amino_acids_only'
class-attribute
instance-attribute
仅使用氨基酸令牌进行掩码。
create_train_dataset(cluster_file, db_path, total_samples, seed, max_seq_length=1024, mask_prob=0.15, mask_token_prob=0.8, mask_random_prob=0.1, random_mask_strategy=RandomMaskStrategy.ALL_TOKENS, tokenizer=tokenizer.get_tokenizer())
为 ESM 预训练创建训练数据集。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
cluster_file
|
str | PathLike
|
到聚类文件的路径。该文件应包含一个 "ur90_id" 列,其中每行包含单个 UniRef50 聚类的 UniRef90 ID 列表。 |
必需 |
db_path
|
str | PathLike
|
到 SQLite 数据库的路径。 |
必需 |
total_samples
|
int
|
要从数据集中抽取的样本总数。 |
必需 |
seed
|
int
|
用于重现性的随机种子。 |
必需 |
max_seq_length
|
int
|
将长序列裁剪为此最大长度,包括 BOS 和 EOS 令牌。 |
1024
|
mask_prob
|
float
|
令牌包含在损失函数中的总体概率。默认为 0.15。 |
0.15
|
mask_token_prob
|
float
|
分配给掩码令牌的比例 |
0.8
|
mask_random_prob
|
float
|
分配给随机自然氨基酸的令牌比例。默认为 0.1。 |
0.1
|
random_mask_strategy
|
RandomMaskStrategy
|
是否用所有令牌或仅氨基酸替换随机掩码令牌。默认为 RandomMaskStrategy.ALL_TOKENS。 |
ALL_TOKENS
|
tokenizer
|
BioNeMoESMTokenizer
|
输入 ESM tokenizer。默认为标准 ESM tokenizer。 |
get_tokenizer()
|
返回
类型 | 描述 |
---|---|
用于 ESM 预训练的数据集。 |
引发
类型 | 描述 |
---|---|
ValueError
|
如果聚类文件不存在、数据库文件不存在或聚类文件不包含 "ur90_id" 列。 |
源代码位于 bionemo/esm2/data/dataset.py
223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 |
|
create_valid_clusters(cluster_file)
从聚类 parquet 文件创建 UniRef50 聚类 ID 的 pandas series。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
cluster_file
|
str | PathLike
|
到聚类文件的路径。该文件应包含一个名为 "ur50_id" 的单列,其中包含 UniRef50 |
必需 |
返回
类型 | 描述 |
---|---|
Series
|
UniRef50 聚类 ID 的 pandas series。 |
源代码位于 bionemo/esm2/data/dataset.py
283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 |
|
create_valid_dataset(clusters, db_path, seed, total_samples=None, max_seq_length=1024, mask_prob=0.15, mask_token_prob=0.8, mask_random_prob=0.1, random_mask_strategy=RandomMaskStrategy.ALL_TOKENS, tokenizer=tokenizer.get_tokenizer())
为 ESM 预训练创建验证数据集。
参数
名称 | 类型 | 描述 | 默认值 |
---|---|---|---|
cluster_file
|
聚类,类型为 pd.Series,或到聚类文件的路径。该文件应包含一个名为 "ur50_id" 的单列,其中包含 UniRef50 ID,每行一个 UniRef50 ID。 |
必需 | |
db_path
|
str | PathLike
|
到 SQLite 数据库的路径。 |
必需 |
total_samples
|
int | None
|
要从数据集中抽取的样本总数。 |
None
|
seed
|
int
|
用于重现性的随机种子。 |
必需 |
max_seq_length
|
int
|
将长序列裁剪为此最大长度,包括 BOS 和 EOS 令牌。 |
1024
|
mask_prob
|
float
|
令牌包含在损失函数中的总体概率。默认为 0.15。 |
0.15
|
mask_token_prob
|
float
|
分配给掩码令牌的比例 |
0.8
|
mask_random_prob
|
float
|
分配给随机自然氨基酸的令牌比例。默认为 0.1。 |
0.1
|
random_masking_strategy
|
是否用所有令牌或仅氨基酸替换随机掩码令牌。默认为 RandomMaskStrategy.ALL_TOKENS。 |
必需 |
引发
类型 | 描述 |
---|---|
ValueError
|
如果聚类文件不存在、数据库文件不存在或聚类文件不包含 "ur50_id" 列。 |
源代码位于 bionemo/esm2/data/dataset.py
305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 |
|