DeepMind 开源图神经网络的代码

最新推荐文章于 2024-05-30 19:50:31 发布
最新推荐文章于 2024-05-30 19:50:31 发布
阅读量567 收藏 1
点赞数
文章标签： 人工智能 python
原文链接：https://my.oschina.net/u/612750/blog/2249974
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

用于支持论文《Relational inductive biases, deep learning, and graph networks》。

github

A graph network takes a graph as input and returns a graph as output. The input graph has edge- (E ), node- (V ), and global-level (u) attributes. The output graph has the same structure, but updated attributes. Graph networks are part of the broader family of "graph neural networks" (Scarselli et al., 2009).

讲直白一些，就是用神经网络处理图，输入是图，输出也是图。以前都是处理向量(Vector)，所以NLP中需要做Word2Vec后才能运用深度学习的处理结果。作者们认为 Graph2Graph 是让神经网络具备推理(Reason)能力的一个关键步骤。

【CNN已老，GNN来了】DeepMind、谷歌大脑、MIT等27位作者重磅论文，图网络让深度学习也能因果推理

 

转载于:https://my.oschina.net/u/612750/blog/2249974

weixin_33877092
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GNN-第三方库：PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】
u013250861的博客
10-31 1672
PyTorchGeometricTemporal是PyTorchGeometric（PyG）的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。PyTorchGeometricTemporal由最先进的深度学习和参数学习方法组成，用于处理时空信号。PyTorchGeometricTemporal是第一个用于几何结构的时间深度学习的开源库，并在动态和静态图上提供常量时差图神经网络。我们使用离散时间图快照（discretetimegraphsnapshots）来实现这一点。...
探索Graph-Bert：图神经网络与预训练模型的创新融合
gitblog_00043的博客
04-19 470
探索Graph-Bert：图神经网络与预训练模型的创新融合 项目地址:https://gitcode.com/jwzhanggy/Graph-Bert 项目简介 Graph-Bert 是一个开放源代码项目，旨在将图神经网络（GNN）和Transformer架构的Bert模型相结合，以处理更具结构化信息的数据任务，比如节点分类、图分类等。该项目由开发者jwzhanggy贡献，并在GitCode平台上...
处理图数据, 安装“Pytorch“ + 图神经网络开源框架“PyG “+ “ogb“使用
Fuguir™的博客
03-23 3269
"OGB" OSError: [WinError 127] 找不到指定的程序。1.[遇到这类问题往往跟torch安装的工具包（如torch-sparse,torch-scatter,torch-cluster）版本没对应上有关](https://blog.csdn.net/weixin_42358688/article/details/117433691)2.[OGB使用环境安装与依赖](https://ogb.stanford.edu/docs/home/)Data Loaders3.[torch-geo
人工智能入门实战：开源神经网络框架对比总结 2
禅与计算机程序设计艺术
12-27 573
1.背景介绍 人工智能(Artificial Intelligence, AI)是一门研究如何让计算机自主地完成人类任务的学科。在过去的几年里，人工智能技术发展迅速，从图像识别、语音识别、自然语言处理等方面取得了显著的进展。这些技术的核心是神经网络，特别是深度神经网络。 随着深度学习的兴起，许多开源神经网络框架出现，如TensorFlow、PyTorch、Caffe、Theano等。这些框架提...
图神经网络：GraphSAGE源代码完全解读（tensorflow）
最新发布
2401_85325519的博客
05-30 681
PPI是指两种或以上的蛋白质结合的过程，如果两个蛋白质共同参与一个生命过程或者协同完成某一功能，都被看作这两个蛋白质之间存在相互作用。多个蛋白质之间的复杂的相互作用关系可以用PPI网络来描述。下面从作者代码开始看数据源，作者在main中load_data读取数据源，其中FLAGS.train_prefix为./example_data/ppi看一下G_data的nodes属性...]图中一共包含56944个节点，每个节点的属性包括idtestval。
【PyG】图神经网络GCN代码自学
qq_42859088的博客
05-10 6905
GCN代码分析自学 Data cora.cites如下图所示： content表示每个点的内容,第一列为序号，最后一列为所属类型。 utils.py load_data()函数 def load_data(path=os.path.join(os.getcwd(),'pygcn','data','cora'), dataset="cora"): """Load citation network dataset (cora only for
Python-在Pytorch中实现Deepmind视觉交互网络
08-11
核心思想是结合了卷积神经网络（CNN）的特征提取能力和循环神经网络（RNN）的记忆和递归能力。 **三、VIN的架构** 1. **输入层**：通常由卷积层组成，用于处理输入的视觉信息，如图像帧，提取出与物体和环境相关的...
GitHub上最受欢迎的57个深度学习开源项目
03-16
RocAlphaGo 是一个独立项目，重新实现了 DeepMind 在 2016 年 Nature 发表的内容《用深度神经网络和树搜索学习围棋》。 TensorFlow Models 是基于 TensorFlow 开发的模型库，包含了各种机器学习模型在 TensorFlow ...
开源项目-tensorflow-tensorflow.zip
10-15
1. **深度学习（Deep Learning）**: TensorFlow广泛应用于构建深度神经网络，如卷积神经网络（CNN）和循环神经网络（RNN）。 2. **自然语言处理（NLP）**: 通过结合TF-Slim和其他高级API，可以轻松处理文本数据，...
matlab人脸匹配代码-TopDeepLearning:深度学习
05-23
使用深度神经网络将您的两位涂鸦变成精美的艺术品，从照片生成无缝纹理，将样式从一幅图像转移到另一幅图像，执行基于示例的放大，但是等等……还有更多！ （语义样式转换的实现。） 5957 计算网络工具包（CNTK）。 ...
图神经网络构建代码
03-04
# GPF ## 一、GPF（Graph Processing Flow）：利用图神经网络处理问题的一般化流程 1、图节点预表示：利用NE框架，直接获得全图每个节点的Embedding; 2、正负样本采样：（1）单节点样本；（2）节点对样本； 3、抽取封闭子图：可做类化处理，建立一种通用图数据结构; 4、子图特征融合：预表示、节点特征、全局特征、边特征; 5、网络配置：可以是图输入、图输出的网络；也可以是图输入，分类/聚类结果输出的网络; 6、训练和测试; ## 二、主要文件： 1、graph.py：读入图数据; 2、embeddings.py：预表示学习; 3、sample.py：采样; 4、subgraphs.py/s2vGraph.py：抽取子图; 5、batchgraph.py：子图特征融合; 6、classifier.py：网络配置; 7、parameters.py/until.py:参数配置/帮助文件; ## 三、使用 1、在parameters.py中配置相关参数（可默认）； 2、在example/文件夹中运行相应的案例文件--包括链接预测、节点状态预测； 以链接预测为例： ### 1、导入配置参数 ```from parameters import parser, cmd_embed, cmd_opt``` ### 2、参数转换 ``` args = parser.parse_args() args.cuda = not args.noCuda and torch.cuda.is_available() torch.manual_seed(args.seed) if args.cuda: torch.cuda.manual_seed(args.seed) if args.hop != 'auto': args.hop = int(args.hop) if args.maxNodesPerHop is not None: args.maxNodesPerHop = int(args.maxNodesPerHop) ``` ### 3、读取数据 ``` g = graph.Graph() g.read_edgelist(filename=args.dataName, weighted=args.weighted, directed=args.directed) g.read_node_status(filename=args.labelName) ``` ### 4、获取全图节点的Embedding ``` embed_args = cmd_embed.parse_args() embeddings = embeddings.learn_embeddings(g, embed_args) node_information = embeddings #print node_information ``` ### 5、正负节点采样 ``` train, train_status, test, test_status = sample.sample_single(g, args.testRatio, max_train_num=args.maxTrainNum) ``` ### 6、抽取节点对的封闭子图 ``` net = until.nxG_to_mat(g) #print net train_graphs, test_graphs, max_n_label = subgraphs.singleSubgraphs(net, train, train_status, test, test_status, args.hop, args.maxNodesPerHop, node_information) print('# train: %d, # test: %d' % (len(train_graphs), len(test_graphs))) ``` ### 7、加载网络模型，并在classifier中配置相关参数 ``` cmd_args = cmd_opt.parse_args() cmd_args.feat_dim = max_n_label + 1 cmd_args.attr_dim = node_information.shape[1] cmd_args.latent_dim = [int(x) for x in cmd_args.latent_dim.split('-')] if len(cmd_args.latent_dim) == 1: cmd_args.latent_dim = cmd_args.latent_dim[0] model = classifier.Classifier(cmd_args) optimizer = optim.Adam(model.parameters(), lr=args.learningRate) ``` ### 8、训练和测试 ``` train_idxes = list(range(len(train_graphs))) best_loss = None for epoch in range(args.num_epochs): random.shuffle(train_idxes) model.train() avg_loss = loop_dataset(train_graphs, model, train_idxes, cmd_args.batch_size, optimizer=optimizer) print('\033[92maverage training of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, avg_loss[0], avg_loss[1], avg_loss[2])) model.eval() test_loss = loop_dataset(test_graphs, model, list(range(len(test_graphs))), cmd_args.batch_size) print('\033[93maverage test of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, test_loss[0], test_loss[1], test_loss[2])) ``` ### 9、运行结果 ``` average test of epoch 0: loss 0.62392 acc 0.71462 auc 0.72314 loss: 0.51711 acc: 0.80000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.09batch/s] average training of epoch 1: loss 0.54414 acc 0.76895 auc 0.77751 loss: 0.37699 acc: 0.79167: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.07batch/s] average test of epoch 1: loss 0.51981 acc 0.78538 auc 0.79709 loss: 0.43700 acc: 0.84000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.64batch/s] average training of epoch 2: loss 0.49896 acc 0.79184 auc 0.82246 loss: 0.63594 acc: 0.66667: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 2: loss 0.48979 acc 0.79481 auc 0.83416 loss: 0.57502 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.70batch/s] average training of epoch 3: loss 0.50005 acc 0.77447 auc 0.79622 loss: 0.38903 acc: 0.75000: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.03batch/s] average test of epoch 3: loss 0.41463 acc 0.81132 auc 0.86523 loss: 0.54336 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.57batch/s] average training of epoch 4: loss 0.44815 acc 0.81711 auc 0.84530 loss: 0.44784 acc: 0.70833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 4: loss 0.48319 acc 0.81368 auc 0.84454 loss: 0.36999 acc: 0.88000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.17batch/s] average training of epoch 5: loss 0.39647 acc 0.84184 auc 0.89236 loss: 0.15548 acc: 0.95833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 5: loss 0.30881 acc 0.89623 auc 0.95132 ```
人工神经网络开源库源码＋示例代码＋详细讲解＋支持多开发语言
07-26
人工神经网络库源码＋示例代码＋详细讲解＋支持多开发语言讲的很详细，希望对用的着的朋友提供帮助。开源才是硬道理，正如作者所说： I cannot say that developing Open Source sofeware is something that all software developers should do. but I will say that it has given me a great deal of satisfaction, so if you think that it might be something for you, then find an Open Sourde project that you would like to contribut to , and start contributing ,Or even better,start your own Open Source project.
deepmind:DeepMind 的 DQN 代码副本
05-31
内心深处 DeepMind 的 DQN 代码副本
基于一个神经网络的开源项目
12-10
基于一个神经网络的开源项目，开发实现了一个简易的字符识别系统，并给出了较为理想的实验效果。该系统可以在手写体，印刷体字符识别上有广泛的应用。 关键词： BP 神经网络
Google Deepmind AlphaGo原理解析（完整54页PPT详解）
03-17
韩国同学、卡耐基梅隆大学Shane Moon博士不久前关于AlphaGo技术的详解（对AlphaGo在Nature上发表的论文的总结，当时AlphaGo还只有5段左右的水平）。
推荐开源项目：SimGNN - 图神经网络的相似性学习
gitblog_00057的博客
04-13 346
推荐开源项目：SimGNN - 图神经网络的相似性学习 项目地址:https://gitcode.com/benedekrozemberczki/SimGNN 项目简介 SimGNN 是一个基于PyTorch的库，专注于利用图神经网络（GNN）进行节点间相似性的学习和计算。该项目由Benedek Rozemberczki开发，并且是开源的，旨在帮助研究人员和开发者更容易地在图数据上实现复杂的相似度...
图神经网络入门：GCN论文+源码超级详细注释讲解！
热门推荐
ZJF的博客
04-25 3万+
本文参考了这篇文章：https://blog.csdn.net/weixin_36474809/article/details/89379727侵删 这篇文章的代码非常经典，很值得学习，如有错误请指正 utils.py import numpy as np import scipy.sparse as sp import torch ''' 先将所有由字符串表示的标签数组用set保存，set的重...
代码+通俗理解图神经网络GNN
普通攻击往后拉的博客
08-14 1万+
1 类比CNN 图神经网络GNN用于解决非欧几里得空间结构的数据结构的表征问题，其本质是依赖图形中边的连接关系表征节点或者图的信息。在说图神经网路是如何实现这一点时，可以先对比卷积神经网络对一般图像的处理过程： CNN对于图像的处理就是按照从上到下的顺序依次对图像进行卷积，从而提取整个图像的特征；而GNN对于图结构的处理，类似于按照节点为单位，用一个虚拟的卷积核按照节点的连接顺序对图中的节点依次进行处理。因此GNN与CNN的处理过程本质上是一样的。 2 代码理解GNN的训练过程 GNN的“模拟卷积核”在每
图神经网络的全面调查
文章提出了一个新的分类体系，将当前的GNN技术分为四大类：循环图神经网络、卷积图神经网络、图自编码器和时空图神经网络，并讨论了它们在不同领域的应用，同时总结了相关的开源代码、基准数据集和模型评估。...
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