PyTorch Geometric Temporal 使用教程

PyTorch Geometric Temporal 使用教程

pytorch_geometric_temporalPyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models (CIKM 2021)项目地址:https://gitcode.com/gh_mirrors/py/pytorch_geometric_temporal

项目介绍

PyTorch Geometric Temporal 是一个基于 PyTorch Geometric 的时序图神经网络扩展库。它构建在开源的深度学习和图处理库之上，提供了最先进的深度学习和参数学习方法来处理时空信号。该库是第一个用于几何结构上时序深度学习的开源库，提供了在动态和静态图上的常数时间差图神经网络。

项目快速启动

安装

首先，确保你已经安装了 PyTorch。然后，你可以通过 pip 安装 PyTorch Geometric Temporal：

pip install torch-geometric-temporal

示例代码

以下是一个简单的示例代码，展示了如何使用 PyTorch Geometric Temporal 进行时序图数据处理：

import torch
from torch_geometric_temporal.dataset import ChickenpoxDatasetLoader
from torch_geometric_temporal.signal import temporal_signal_split

# 加载数据集
loader = ChickenpoxDatasetLoader()
dataset = loader.get_dataset()

# 分割训练和测试数据
train_dataset, test_dataset = temporal_signal_split(dataset, train_ratio=0.8)

# 定义一个简单的图神经网络模型
class GCN(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(in_channels, out_channels)

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        return x

# 初始化模型
model = GCN(dataset.num_features, dataset.num_classes)

# 定义损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(200):
    model.train()
    optimizer.zero_grad()
    for time, snapshot in enumerate(train_dataset):
        y_hat = model(snapshot.x, snapshot.edge_index)
        loss = criterion(y_hat, snapshot.y)
        loss.backward()
        optimizer.step()

    if epoch % 20 == 0:
        print(f'Epoch: {epoch}, Loss: {loss.item()}')

应用案例和最佳实践

流行病学预测案例

PyTorch Geometric Temporal 提供了详细的案例研究教程，涵盖了 PyTorch Geometric Temporal 功能的各个方面。例如，增量训练在流行病学预测中的应用：

from torch_geometric_temporal.dataset import ChickenpoxDatasetLoader
from torch_geometric_temporal.signal import temporal_signal_split

loader = ChickenpoxDatasetLoader()
dataset = loader.get_dataset()

train_dataset, test_dataset = temporal_signal_split(dataset, train_ratio=0.8)

# 使用预定义的模型进行训练和预测

网页流量管理案例

另一个案例是累积训练在网页流量管理中的应用：

from torch_geometric_temporal.dataset import WikiMathsDatasetLoader
from torch_geometric_temporal.signal import temporal_signal_split

loader = WikiMathsDatasetLoader()
dataset = loader.get_dataset()

train_dataset, test_dataset = temporal_signal_split(dataset, train_ratio=0.8)

# 使用预定义的模型进行训练和预测

典型生态项目

PyTorch Geometric Temporal 与其他开源项目如 PyTorch Lightning 接口良好，允许在 CPU、单 GPU 和多 GPU 上进行训练。以下是一些典型的生态项目：

• PyTorch Lightning: 用于简化深度学习模型的训练和部署。
• DGL (Deep Graph Library): 另一个流行的图神经网络库，与 PyTorch Geometric Temporal 可以结合使用。

通过这些生态项目，用户可以更高效地开发和部署复杂的时空图神经网络模型。

pytorch_geometric_temporalPyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models (CIKM 2021)项目地址:https://gitcode.com/gh_mirrors/py/pytorch_geometric_temporal