xsdz起源于凹非寺

量子出品|公众号QbitAI

“CNN已经过时了。 GNN站起来了！ ”

科学家发现，可以用图形神经网络(GNN )处理传统CNN无法处理的非欧洲数据，以前的深度学习无法解决的许多问题找到了关键。

现在有一个照片网络PyTorch库，在GitHub上卸下2000多个星星，被CNN的父亲Yann LeCun翻了卡：

PyTorch Geometric，简称PyG，聚集了26个图表网络研究的代码实现。

这个库还很快，比起前辈的DGL图形网络库，PyG最高可以达到15倍的速度。

要跑

应有尽有的库

结构不规则的数据，就用PyG吧。 “图表”、“点云”和“流形”Manifolds )。

右边是不规则的欧洲以外的空间

这是一个丰富的库。 有许多模型的PyTorch实现、各种有用的变换(Transforms )和许多常用的benchmark数据集。

说到实现，包括Kipf等人的图卷积网络(GCN )和Bengio实验室的图注意力网络) GAT )在内，2017-2019年各大顶会的)至少) 26个项目的图网络研究，要在这里找到快速的实现

有多快？ PyG的两位作者在NVIDIAgtx1080ti上进行了实验。

竞争对手DGL也是图形网络库：

在四个数据集中，PyG都比DGL跑得快。 最大的比赛是在jldppx数据集上运行GAT模型。 如果跑200个epoch，对方需要33.4秒，PyG需要2.2秒，相当于对方速度的15倍。

每个算法的实现都支持CPU计算和GPU计算。

食用方法

库的作者是来自多特蒙德工业大学的两个德国少年。

其中一人

他们说如果有PyG的话，开始插图网络就像微风一样。

看，只有这样才能实现“边卷积层”。

1导入跟踪

2来自跟踪. nnimportsequentialasseq，线性连接，连接

3从跟踪_几何. nnimportmessagepassing

4

5分类连接(消息传递) :

6 def_init _ (自，f _ in，F_out ) :

7超级(边缘连接，自我) .

8 self.MLP=seq (连接(2* f _ in，F_out )，连接) F_out，F_out，连接)

9

10向前(自、x、边缘索引) :

11 # x哈斯形状

12 #边缘_索引哈斯形状[ 2，E]

13返回自我传播(aggr='最大'，edge _ index=边缘索引，x=x ) #形状[ n，F_out]

14

15 def消息(自，x_i，x_j ) :

16 # x _ I哈斯形状

17 # x _ j哈斯形状

18边_功能=轨道. cat ([ x _ I，x_j - x_i]，dim=1) #形状(e，2 * F_in] ) ) ) )

19返回自我.毫米(边缘特征) #形状[ e，f _输出]

安装前确认，至少PyTorch 1.0.0； 请再次确认cuda/温顺的猫在$PATH，cuda/include在$CPATH :

1 $ python-c '导入跟踪； print (土豆版)

2 1.0.0号

3

4 $ ECHO $路径

5 /usr/local/cuda/温顺的猫：

6

7$ echo $CPATH

8/usr /本地/cuda /包括：

然后，开始各种各样的pip安装吧。

PyG项目传送门：

359 github.com/rusty1s/py跟踪_几何

PyG主页传送门：

359 rusty1s.github.io/py跟踪_地理/建筑/html /索引. html

PyG论文传送门：

359亚太及日本地区/PDF/1903.02428.PDF

结束了

认真招募

量子在招聘编辑/记者，工作地点在北京中关村。 期待有才华和热情的同学参加！ 有关详细信息，请在量子位公众号(QbitAI )的对话界面中返回“招聘”两个字符。

量子比特QbitAI 头条号合同作者

' '跟踪AI技术和产品的新动态