DeepMind 研究

本仓库包含与 DeepMind 出版物配套的实现和示例代码。除了发表在 DeepMind 进行的研究相关的论文外，我们还开源了 环境、 数据集 和 代码， 以帮助更广泛的科研社区参与并在此基础上开展工作，最终目标是加速科学进步，造福社会。 例如，您可以基于我们的 深度 Q 网络 或 微分神经计算机 实现进行开发，或者在我们用于研究的相同环境中进行实验，如 DeepMind Lab 或 星际争霸 II。

如果您喜欢构建工具、环境、软件库以及其他类似下方列出的基础架构，您可以在我们的 招聘页面 查看相关领域的开放职位。

有关我们出版物的完整列表，请参阅 https://deepmind.com/research/publications/

项目

• 通过深度强化学习对托卡马克等离子体进行磁控，Nature 2022
• 通过解决分数电子问题推进密度泛函理论的边界，Science 2021
• 关注差距：评估神经语言模型中的时间泛化能力，NeurIPS 2021
• 深度强化学习中被动学习的困难，NeurIPS 2021
• 利用雷达的深度生成模型进行熟练的降水临近预报，Nature 2021
• 作为语言的计算辅助设计
• 持续学习的编码器与集成
• 迈向心理时间旅行：强化学习智能体的层次化记忆
• Perceiver IO：一种适用于结构化输入与输出的通用架构
• 使用神经网络求解混合整数规划问题
• 用于带标签噪声学习的真实感仿真框架
• 在新环境中快速解决问题，ICLR 2021
• WikiGraphs：维基百科-知识图谱配对数据集，TextGraphs 2021
• 高效强化学习的行为先验
• 利用图网络学习基于网格的仿真，ICLR 2021
• 开放图基准——大规模挑战 (OGB-LSC)
• 长期信用分配的合成回报
• 用于表征大型星系合并的深度学习方法
• 更好、更快的费米子神经网络（KFAC 实现）
• 基于对象的关注机制用于时空推理
• 通过整合长程相互作用从序列有效预测基因表达
• Satore：带有原子重写的一阶逻辑饱和
• 表征信号传播以缩小未归一化 ResNet 的性能差距，ICLR 2021
• 揭示对抗训练在范数有界对抗样本下的局限性
• 通过跨模态自监督学习丰富的触觉表征，CoRL 2020
• 持续学习中的函数正则化，ICLR 2020
• 自编码变分自编码器，NeurIPS 2020
• 自监督的多模态多功能网络，NeurIPS 2020
• ODE-GAN：通过求解常微分方程训练 GAN，NeurIPS 2020
• 概率树中因果推理的算法
• 门控线性网络，NeurIPS 2020
• 价值驱动的回溯建模，NeurIPS 2020
• 通过学习映射进行目标自由能估计，Journal of Chemical Physics 2020
• 利用图网络学习复杂物理系统的仿真，ICML 2020
• 物理嵌入式规划问题
• PolyGen：3D 网格的自回归生成模型，ICML 2020
• 自举你自己的潜在表示
• 抓取与搬运：面向视觉引导全身任务的可重用神经控制器，SIGGRAPH 2020
• MEMO：一种用于灵活组合情景记忆的深度网络，ICLR 2020
• RL Unplugged：离线强化学习的基准测试
• 通过子空间扩散解耦（GEOMANCER），NeurIPS 2020
• 我在这里能做什么？强化学习中可供性的理论，ICML 2020
• 通过奖励草图和批量强化学习扩展数据驱动的机器人技术，RSS 2020
• 路径特异性反事实公平性，AAAI 2019
• 选项键盘：在强化学习中组合技能，NeurIPS 2019
• VISR：利用变分内在成功特征进行快速任务推理，ICLR 2020
• 揭示玻璃态系统中静态结构的预测能力，Nature Physics 2020
• 利用迭代变分推断进行多对象表征学习（IODINE）
• AlphaFold CASP13，Nature 2020
• 无限制对抗挑战
• 层次化概率 U-Net（HPU-Net）
• 从头开始训练语言 GAN，NeurIPS 2019
• 时间价值传递，Nature Communications 2019
• 持续的无监督表征学习（CURL），NeurIPS 2019
• 对象关键点的无监督学习（Transporter），NeurIPS 2019
• BigBiGAN，NeurIPS 2019
• 深度压缩感知，ICML 2019
• 副作用惩罚
• PrediNet 架构及关系游戏数据集
• 无监督对抗训练，NeurIPS 2019
• 用于学习图结构对象相似性的图匹配网络，ICML 2019
• REGAL：用于快速优化计算图的迁移学习
• 深度集成：从损失景观的角度来看
• Powerpropagation
• 受物理学启发的模型

免责声明

本项目并非 Google 官方产品。

DeepMind Research 快速上手指南

deepmind-research 是 DeepMind 官方开源的代码仓库，收录了配合其学术论文发布的实现代码和示例。该仓库并非单一的库，而是包含多个独立研究项目（如 AlphaFold、Perceiver、BYOL 等）的集合。以下指南将帮助你快速开始使用其中的具体项目。

环境准备

在开始之前，请确保你的开发环境满足以下基本要求。由于不同子项目依赖可能略有差异，建议为每个项目创建独立的虚拟环境。

• 操作系统: Linux (推荐 Ubuntu 18.04+) 或 macOS。Windows 用户建议使用 WSL2。
• Python 版本: Python 3.7 - 3.9 (具体版本需参考所选子项目的 requirements.txt)。
• 硬件要求: 多数深度学习项目需要 NVIDIA GPU 及对应的 CUDA 驱动。
• 前置工具:
  • Git
  • pip 或 conda (推荐使用 conda 管理环境)

推荐配置命令：

# 安装 git 和 python (以 Ubuntu 为例)
sudo apt-get update
sudo apt-get install -y git python3 python3-pip python3-venv

# 如果使用 conda
# wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# bash Miniconda3-latest-Linux-x86_64.sh

国内加速提示：在中国大陆地区，建议使用清华源或阿里源加速 pip 和 conda 下载。

• Pip 临时加速：-i https://pypi.tuna.tsinghua.edu.cn/simple
• Conda 配置：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

安装步骤

由于仓库包含多个独立项目，不存在统一的“一键安装”命令。你需要选择感兴趣的具体项目目录进行安装。

以下以通用的安装流程为例（假设你选择了一个名为 project_name 的子目录）：

1. 克隆仓库

   git clone https://github.com/deepmind/deepmind-research.git
   cd deepmind-research
   

2. 创建并激活虚拟环境

   # 使用 venv
   python3 -m venv env
   source env/bin/activate
   
   # 或者使用 conda
   # conda create -n dm_research python=3.8
   # conda activate dm_research
   

3. 进入特定项目目录并安装依赖

   浏览 Projects 列表，进入你感兴趣的项目文件夹（例如 byol 或 perceiver），然后安装依赖。

   # 示例：进入 BYOL 项目目录
   cd byol
   
   # 安装该项目特定的依赖
   pip install -r requirements.txt
   # 国内加速版：
   # pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   注意：部分项目可能需要额外的系统级依赖（如 TensorFlow 或 JAX 的特定版本），请务必阅读该项目目录下的 README.md 获取详细指引。

基本使用

每个项目的具体用法不同，通常包含数据预处理、训练脚本和评估脚本。以下是一个典型的运行示例（以大多数项目通用的训练入口为例）：

1. 查看可用参数

   大多数脚本支持 --help 参数来查看配置选项。

   python train.py --help
   

2. 运行训练示例

   通常在项目根目录下运行主训练脚本。以下是一个伪代码示例，具体文件名请参考对应项目的文档：

   # 示例：启动训练任务
   python train.py \
     --dataset_dir=/path/to/data \
     --model_config=configs/default.json \
     --output_dir=/path/to/save/results
   

3. 验证安装

   许多项目提供简单的单元测试或演示脚本来验证环境是否正确配置。

   # 运行测试（如果项目提供）
   pytest tests/
   
   # 或者运行一个简单的 demo 脚本
   python demo.py
   

重要提示：

• 请始终优先阅读你所选具体子项目文件夹内的 README.md，那里有针对该算法最准确的运行指令和数据集下载链接。
• 本仓库代码主要用于复现论文结果和研究参考，部分代码可能未针对生产环境进行封装。