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