PyTorch Geometric
文章平均质量分 95
PyG是一个基于PyTorch的库,用于轻松编写和训练图形神经网络,用于与结构化数据相关的广泛应用。
PyG对机器学习研究人员和首次使用机器学习工具包的用户都很友好。
镰刀韭菜
视野,意志,品格;目标,坚持,实践
展开
-
【图神经网络】用PyG实现图机器学习的可解释性
在本博客文章中,我们将逐步介绍可解释性模块,详细说明框架的每个组件如何工作以及其作用。随后,我们将介绍各种解释评估方法和合成基准数据集,这些方法与数据集相辅相成,确保您为当前任务生成最佳的解释结果。接下来,我们将介绍一些可立即使用的可视化方法。最后,我们将详细介绍在PyG中实现自己的解释方法所需的步骤,并强调异构图和链接预测解释等高级用例的工作。原创 2023-06-12 12:37:43 · 2535 阅读 · 0 评论 -
【图神经网络】从0到1使用PyG手把手创建异构图
异构图的准确定义如下:异构图(Heterogeneous Graphs):一个异构图GGG有一组节点V=v1,v2,...,vnV=v_1,v_2,...,v_nV=v1,v2,...,vn和一组边E=e1,e2,...,emE=e_1,e_2,...,e_mE=e1,e2,...,em组成,其中每个节点和每条边都对应着一种类型,用TvT_vTv表示节点类型的集合,TeT_eTe表示边类型的集合,一个异构图有两个映射函数,分别将每个节点映射到其对应的类型ϕv:V→Tv\phi_v:V\rig原创 2023-04-03 23:00:00 · 5341 阅读 · 1 评论 -
【图神经网络】Pytorch图神经网络库——PyG创建自己的数据集
对于数据集的创建涉及到两个类:和,其中第二个是第一个的子类,如果希望全部数据都在内存里则需要使用第二个类。每个数据集需要提供文件夹路径作为参数,其中一个存储数据集的源文件,而另一个参数存储处理过的文件。每个数据集都会经过,,三个函数,默认是。第一个函数在使用前动态的转化数据对象(所以最好用于数据增强);第二个函数是将数据集存储在磁盘前的转换函数(最好用于仅需做一次的大量预计算任务);最后一个函数在存储前过滤一些对象。为了创建这个数据集,需要实现下面四个基本方法:对于其他更高级的方法参考。下面是一个简单的例原创 2022-12-24 07:00:00 · 2778 阅读 · 0 评论 -
【图神经网络】Pytorch图神经网络库——PyG创建消息传递网络
将卷积算子推广到不规则域通常表示为邻域聚合或消息传递方案。在第(k−1)层中节点i的节点特征用xi(k−1)∈RF表示,从节点j到节点i的边特征用ej,i∈RDxi(k)=γ(k)(xi(k−1),□j∈N(i)ϕ(k)(xi(k−1),xj(k−1),ej,i))其中□。原创 2022-12-23 23:30:00 · 918 阅读 · 2 评论 -
【图神经网络】Pytorch图神经网络库——PyG异构图学习
异构图具有不同类型的信息附加到节点和边上。因此,由于类型和维数的差异,单个节点或边特征张量不能包含整个图的所有节点或边特征。相反,需要为节点和边分别指定一组类型,每个类型都有自己的数据张量。由于数据结构的不同,消息传递公式也随之改变,允许以节点或边类型为条件计算消息和更新函数。作为一个示例,我们从OGB数据集看一下异构网络:给定的异构图有1,939,743个节点,节点类型分为作者、论文、机构和研究领域四种。它还有21,111,007条边,属于以下四种类型之一:这个图的任务是根据图中存储的信息推断出每一篇原创 2022-12-25 08:00:00 · 3009 阅读 · 0 评论 -
【图神经网络】手把手利用PyTorch Genometric创建第一个图神经网络模型
PyG (PyTorch 几何图形)是构建在 PyTorch 之上的一个库,可以方便地编写和训练图形神经网络(GNN) ,用于与结构化数据相关的广泛应用程序。它包括各种在图形和其他不规则结构(也称为几何深度学习)上的各种方法组成的方法。原创 2023-03-28 23:00:00 · 1452 阅读 · 0 评论