GCN_安装torch-geometric库

已于 2024-01-03 14:16:34 修改
阅读量440 收藏 12
点赞数 9
文章标签： 深度学习 python pytorch
于 2024-01-03 14:12:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_52399880/article/details/135362378
版权

Motivation

由于本人在安装GCN相关包的过程中，遇到了很多坑，特此记录如下。在装GCN相关包之前，最好新建一个conda环境。

1. 安装全过程 (Linux)

参考链接：简单粗暴2-安装torch_geometric库-Linux-全过程-2021.11.26最新2.0.2版本 - 知乎

2. AttributeError: module 'torch' has no attribute "'sparse_csr'"

原因是torchgeometric的版本过高（2.3.1），解决方案为降低torchgeometric版本。

pip install torch-geometric==2.1.0

3. 主要的package及对应版本

python                        3.8.13
torch                          1.8.0+cu101
torch-cluster              1.5.9
torch-geometric         2.1.0
torch-scatter              2.0.8
torch-sparse              0.6.12
torch-spline-conv      1.2.1

深巷孤梦Agoni
关注
  • 9
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GCN_predict-Pytorch:交通流量预测。 用PyTorch实现图卷积网络
05-10
GCN_predict-Pytorch 交通流量预测。 用PyTorch实现图卷积网络（GCN，GAT，Chebnet） 要求： -火炬 -脾气暴躁 -熊猫 -Matplotlib 数据集示例： 数据集由Caltrans绩效评估系统（PEMS-04）收集 数量：307个探测器 ...
PyG-GCN_res-CS:这是使用C＆S方法对GCN_res模型的改进
04-01
pytorch_geometric == 1.6.3 ogb == 1.2.4 实验设置： 该模型为8层，共运行10次，共得出500个纪元。 python gcn_res_cs.py 详细的超参数： num_layers = 8 hidden_dim = 128 dropout = 0.5 lr = 0.01 runs = 10...
手把手教你安装torch_geometric库（pyg）
m0_50976935的博客
05-24 9860
torch_geometric库（pyg）安装步骤
GCN学习：Pytorch-Geometric教程（一）
StarfishCu的博客
09-28 5218
基本图变量 PyG中的基本图变量为torch_geometric.data.Data,具有以下参数： data.x: Node feature matrix with shape [num_nodes, num_node_features] data.edge_index: Graph connectivity in COO format with shape [2, num_edges] and type torch.long data.edge_attr: Edge feature matrix w
torch_geometric踩坑实战--安装与运行 亲测有效！！
m0_55245520的博客
05-01 6164
torch_geometric是PyG中必不可少的一个包，也是进行图神经网络学习的必备，然而安装这个包并运行一段简单的代码踩了不少坑，记录一下。本人亲测有效！！
如何安装torch_geometric？
qq_41800917的博客
09-14 6948
torch_geometric安装官网： https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html 1. 查看CUDA版本： 方法一： 直接在终端检查版本 例如： $ python -c "import torch; print(torch.version.cuda)" >>> 11.1 方法二：通过命令：nvcc --version查看 例如： $ nvcc --version 方法三： &g
GCN学习：Pytorch-Geometric教程（二）
StarfishCu的博客
09-29 3349
PyG教程二数据转换图上的学习方法 数据转换 PyTorch Geometric带有自己的变换，该变换期望将Data对象作为输入并返回一个新的变换后的Data对象。 可以使用torch_geometric.transforms.Compose将变换链接在一起，并在将处理后的数据集保存到磁盘之前（pre_transform）或访问数据集中的图形之前（transform）应用变换。 让我们看一个示例，其中我们对ShapeNet数据集（包含17,000个3D形状点clouds和来自16个形状类别的每个点标签）应用
GNN包torch_geometric使用 2021-09-02
qq_36243169的博客
09-02 2014
torch_geometric包是一个进行GNN实现的非常方便的包，官网是 https://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.html 数据集格式 使用的数据集的格式如下例所示： >>> import torch >>> from torch_geometric.data import Data >>> edge_index = torch.tensor([[0,
GNN PyG~torch_geometric 学习理解
天狼啸月1990的博客
10-01 729
其中EdgeIndex(edge_index=tensor([[1, 2], [0, 0]]), e_id=tensor([10, 2]), size=(3, 1))是第一层采样得到的bipartite图， EdgeIndex(edge_index=tensor([[2, 3, 0, 3, 0, 4], [0, 0, 1, 1, 2, 2]]), e_id=tensor([2, 8, 6, 9, 4, 0]), size=(5, 3))是第二层采样得到的bipartite图。
3步安装torch_geometric
sweet_tea_的博客
03-10 541
安装torch_geometric
torch_geometric--Convolutional Layers
发呆的比目鱼的博客
02-02 1325
torch_geometric--Convolutional Layers
STGCN_IJCAI-18-master_交通流预测_python_stgcn_
09-29
STGCN交通流预测，在交通预测时能用上，附带结果图
GCN_Keras-master_gcncora_keras_.keras最新论文_GCN_cora数据集与gcn_
09-29
GCN节点分类论文中的代码，主要对cora数据集进行分类，准确率高达81.5
STGCN_IJCAI-18-master_python_时空图网络_
10-01
通过深度学习，同时处理时间以及空间维度上的信息，针对于图结构信息
【论文阅读】xLSTM: Extended Long Short-Term Memory
kanon的博客
05-21 808
论文提出了xLSTM，一种扩展的长短期记忆网络，旨在解决传统LSTM的局限性，并在大规模参数下进行语言建模。xLSTM引入了指数门控和适当的归一化与稳定技术，修改了LSTM记忆结构，包括标量记忆的sLSTM和完全可并行化的具有矩阵记忆和协方差更新规则的mLSTM。通过将这些LSTM变体集成到残差块中，构建了xLSTM架构，这些架构在性能和扩展性方面与最先进的Transformers和状态空间模型相媲美。
深度学习500问——Chapter09：图像分割（3）
不要给自己设限，尝试更多可能（思所向 皆可往）
05-22 873
其实就是U-Net 和FPN的思想，在输入图像和前四个最大池化层的输出上附加了两层的MLP，第一层是 128 个 3x3的卷积，第二层是 128个 1x1 卷积。论文受到Spatial Pyramid Pooling（SPP）的启发，提出了一个类似的结构，在给定的输入上以不同采样率的空洞卷积进行采样，相当于以多个比例捕捉图像的上下文，称为ASPP（atrous spatial pyramid pooling）模块。简单的说就是这种结构能在更少参数更少计算量的情况下学到同样的信息。C就是本文采取的方法。
【机器学习】【深度学习】正则化（Regularization）
最新发布
SmallBamboo的博客
05-22 857
过拟合意味着模型具有很高的方差（高方差意味着模型对训练数据中的微小变化非常敏感），当你的模型中的参数越多，模型的灵活性就越大（拟合能力强），在模型中调整的东西越多，就越有可能有高方差。例如我们现在要把右图的灰色和绿色点区分开，需要使用神经网络进行拟合函数，若函数有n次项，那么预测函数就会有n个弯曲点，弯曲点越多在某种程度上表示拟合度更大，所以我们需要减少高次项或者其权重（高次项的系数）。正则化有两种方式，第一种是限制模型的灵活性，例如有L1正则化，L2正则化，Dropout和Early Stoping。
卷积神经网络-奥特曼识别
m0_74315028的博客
05-21 688
卷积神经网络识别奥特曼
torch_geometric GCN
07-29
要使用 torch_geometric 实现 GCN，首先需要安装 torch_geometric 库。可以通过以下命令使用 pip 进行安装： ``` pip install torch_geometric ``` 安装完成后，可以按照以下步骤实现 GCN： 1. 导入所需的库和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值