# LNP-ML + BioT5-plus 快速上手指南

适用于：拿到代码包、从未运行过任何代码的新组员。

---

## 前提条件（收到代码包前确认）

- Google Drive 的 `MyDrive/lnp_project/` 下已有以下两个文件夹：
  - `lnp_ml/`：项目代码
  - `biot5-plus-base/`：BioT5-plus 权重（无需重新下载）
- `lnp_ml/data/processed/` 下已有处理好的数据文件

---

## Cell 1：挂载 Drive

```python
from google.colab import drive
drive.mount('/content/drive')
```

---

## Cell 2：安装依赖

> 每次重新打开 Colab 都需要重跑这一步，依赖不会自动保留。

```python
!pip install rdkit loguru transformers sentencepiece optuna -q
```

---

## Cell 3：配置路径 + 确认文件完整

> 所有 cell 都依赖这里定义的 `LNP_PATH` 和 `MODEL_PATH`，必须先运行。

```python
import os, sys

LNP_PATH   = "/content/drive/MyDrive/lnp_project/lnp_ml"
MODEL_PATH = "/content/drive/MyDrive/lnp_project/biot5-plus-base"

sys.path.insert(0, LNP_PATH)
os.chdir(LNP_PATH)

checks = [
    f"{LNP_PATH}/lnp_ml/modeling/models.py",
    f"{LNP_PATH}/lnp_ml/modeling/encoders/llm_encoder.py",
    f"{LNP_PATH}/lnp_ml/modeling/encoders/__init__.py",
    f"{LNP_PATH}/lnp_ml/featurization/smiles.py",
    f"{MODEL_PATH}/config.json",
    f"{MODEL_PATH}/tokenizer_config.json",
    f"{LNP_PATH}/data/processed/train.parquet",
    f"{LNP_PATH}/data/processed/val.parquet",
    f"{LNP_PATH}/data/processed/test.parquet",
    f"{LNP_PATH}/data/processed/train_pretrain.parquet",
    f"{LNP_PATH}/data/processed/val_pretrain.parquet",
]
for f in checks:
    print(f"{'✓' if os.path.exists(f) else '✗ 缺失'} {f}")
```

**所有文件都显示 ✓ 再继续。如果有 ✗，先补齐对应文件。**

---

## Cell 4：验证 LLM 模块（正式训练前必做）

> 验证数据流、维度对齐、梯度链路、可复现性，四项全部通过再训练。

```python
!PYTHONPATH={LNP_PATH} \
 python {LNP_PATH}/verify_llm_encoder.py \
    --model_path "{MODEL_PATH}" \
    --lnp_repo_path "{LNP_PATH}"
```

**正常输出：**
```
TEST 1 PASSED ✓
TEST 2 PASSED ✓
TEST 3 PASSED ✓
TEST 4 PASSED ✓
ALL TESTS PASSED ✓
```

---

## Cell 5：预训练（用外部 LiON 数据）

> 在约 9000 条外部数据上预训练 delivery 任务，产出 `models/pretrain_delivery.pt`。
> 约需 10-15 分钟。

```python
!PYTHONPATH={LNP_PATH} \
 python -m lnp_ml.modeling.pretrain main \
    --train-path data/processed/train_pretrain.parquet \
    --val-path   data/processed/val_pretrain.parquet \
    --epochs 50 \
    --lr 1e-4 \
    --device cuda
```

完成后确认：
```python
import os
print("✓ 预训练权重存在" if os.path.exists(f"{LNP_PATH}/models/pretrain_delivery.pt") 
      else "✗ 预训练权重未生成，检查上面的输出")
```

---

## Cell 6：正式训练（含 LLM，约 20-25 分钟）

> 使用 Optuna 做 3-fold 超参搜索（20 trials），然后全量数据训练。
> 产出 `models/final/model.pt`。

```python
!PYTHONPATH={LNP_PATH} \
 python lnp_ml/modeling/final_train_optuna_cv.py \
    --init-from-pretrain models/pretrain_delivery.pt \
    --use-llm \
    --llm-model-path "{MODEL_PATH}" \
    --llm-device cuda \
    --n-trials 20 \
    --epochs-per-trial 30 \
    --seed 42 \
    --device cuda \
    --output-dir models/final
```

完成后确认：
```python
print("✓ 模型权重存在" if os.path.exists(f"{LNP_PATH}/models/final/model.pt")
      else "✗ 模型未生成，检查上面的输出")
```

---

## Cell 7：测试评估

```python
!PYTHONPATH={LNP_PATH} \
 python lnp_ml/modeling/predict.py test \
    --test-path  data/processed/test.parquet \
    --model-path models/final/model.pt \
    --output-path models/final/test_results.json

import json
with open(f'{LNP_PATH}/models/final/test_results.json') as f:
    results = json.load(f)

print("=== 分类任务 ===")
for task in ['pdi', 'ee', 'toxic']:
    m = results['detailed_metrics'][task]
    print(f"  {task}: acc={m['accuracy']:.4f}, f1={m['f1']:.4f}")

print("\n=== 回归任务 ===")
for task in ['size', 'delivery']:
    m = results['detailed_metrics'][task]
    print(f"  {task}: R²={m['r2']:.4f}, RMSE={m['rmse']:.4f}")

print("\n=== 分布任务 ===")
m = results['detailed_metrics']['biodist']
print(f"  biodist: KL={m['kl_divergence']:.4f}, JS={m['js_divergence']:.4f}")
```

**参考指标（基于已有实验结果）：**

| 任务 | 指标 | 参考值 |
|---|---|---|
| delivery | R² | ~0.63 |
| size | R² | ~0.42 |
| pdi | acc | ~0.69 |
| ee | acc | ~0.68 |
| toxic | acc | ~0.96 |
| biodist | KL | ~0.70 |

---

## Cell 8：备份模型到 Drive

```python
!cp -r {LNP_PATH}/models/final \
        {LNP_PATH}/models/final_backup
print("备份完成 ✓")
```

---

## 常见问题

| 报错 | 原因 | 解决方法 |
|---|---|---|
| `No module named 'rdkit'` | 依赖未安装 | 重新运行 Cell 2 |
| `No module named 'lnp_ml'` | 路径未配置 | 重新运行 Cell 3 |
| `No such option '--use-llm'` | Drive 里的 `final_train_optuna_cv.py` 是旧版本 | 确认代码包里的文件是最新版本 |
| `running_mean should contain 217 elements not 210` | `models.py` 里 `desc` 维度是旧值 210 | 把 `DEFAULT_INPUT_DIMS` 里的 `"desc": 210` 改为 `"desc": 217` |
| `KeyError: attribute 'projection' already exists` | `llm_encoder.py` 是旧版本 | 确认代码包里的文件是最新版本 |
| `RuntimeError: Unexpected key(s) in state_dict` | 加载模型时 strict=True | 确认 `predict.py` 里用的是 `strict=False` |
| Colab 断开后重连 | 环境变量丢失 | 从 Cell 1 重跑，Cell 5/6 已有权重可跳过 |

---

## 如果已有训练好的模型，直接从 Cell 7 开始

只需运行 Cell 1 → Cell 2 → Cell 3 → Cell 7，跳过 Cell 4、5、6。