تنفيذ GCNII باستخدام PyTorch

الوصف

يقدم مستودع GitHub هذا، chennnM/GCNII، تطبيقًا لورقة بحث "الشبكات الالتفافية الرسومية البسيطة والعميقة" (GCNII) باستخدام PyTorch. يهدف المشروع إلى تزويد الباحثين والمطورين بقاعدة كود وظيفية وسهلة الوصول للتجريب والبناء على GCNII.

يدعم التطبيق مجموعات بيانات رسوم بيانية متنوعة، بما في ذلك المجموعات المعيارية مثل Cora و Citeseer و Pubmed، بالإضافة إلى مجموعات بيانات إضافية مثل Chameleon و Cornell و Texas و Wisconsin. يسمح بإعادة إنتاج كل من إعدادات التعلم شبه المُشرف عليها والتعلم المُشرف عليها بالكامل، مما يعكس الإعدادات التجريبية الموضحة في الأبحاث ذات الصلة مثل GCN و Geom-GCN. يتضمن المستودع أيضًا نصوصًا برمجية لتشغيل هذه التجارب، مما يجعل إعادة إنتاج النتائج المبلغ عنها أمرًا مباشرًا.

تشمل المكونات الرئيسية للتطبيق بنية النموذج الأساسية، وأدوات تحميل البيانات والمعالجة المسبقة، ونصوص التدريب. يوضح المشروع تبعياته، مثل CUDA و Python و PyTorch و NetworkX و scikit-learn، مما يضمن أن المستخدمين يمكنهم إعداد بيئتهم بشكل صحيح. علاوة على ذلك، يتم توفير تنفيذ مرجعي داخل مجلد PyG (PyTorch Geometric) لأولئك الذين يفضلون أو يحتاجون إلى التكامل مع مكتبة PyTorch Geometric، مع متطلبات إصدار محددة لـ torch-geometric و ogb.

يعرض المستودع أيضًا ملخصًا لنتائج دقة الاختبار عبر مجموعات بيانات وإعدادات مختلفة، مما يوفر معيارًا للمستخدمين لمقارنة تطبيقاتهم أو نتائجهم الخاصة. تعليمات الاستخدام واضحة، وتوجه المستخدمين حول كيفية تنفيذ نصوص Shell البرمجية المقدمة للتجارب شبه المُشرف عليها والمُشرف عليها بالكامل وتجارب PPI الاستقرائية. هذا يجعل نموذج GCNII متاحًا للتطبيق العملي في مهام التعلم الآلي القائمة على الرسوم البيانية.

يتم صيانة المشروع بنشاط، مع تحديثات حديثة لملف README. يسلط الضوء على الطبيعة التعاونية للتطوير مفتوح المصدر، مع مساهمات وتفرعات تشير إلى مشاركة المجتمع. اللغة الأساسية المستخدمة هي Python، مع نسبة صغيرة من نصوص Shell البرمجية لأغراض المرافق. هذا المورد قيم لأي شخص مهتم بالشبكات العصبية الرسومية المتقدمة وتطبيقاتها.

أبرز ملامح تنفيذ GCNII باستخدام PyTorch

• تطبيق نموذج GCNII باستخدام PyTorch

• يدعم التعلم شبه المُشرف عليه

• يدعم التعلم المُشرف عليه بالكامل

• يشمل مجموعات بيانات معيارية (Cora, Citeseer, Pubmed)

• يشمل مجموعات بيانات إضافية (Chameleon, Cornell, Texas, Wisconsin)

• يوفر نصوصًا برمجية لإعادة إنتاج النتائج التجريبية

• يقدم تنفيذًا مرجعيًا لـ PyTorch Geometric

• يفصل التبعيات لإعداد البيئة

• يلخص نتائج دقة الاختبار

• يشمل تعليمات الاستخدام للتجارب

• قاعدة الكود مكتوبة بشكل أساسي بلغة Python

البدء مع تنفيذ GCNII باستخدام PyTorch

1. 1

   إعداد البيئة: تثبيت CUDA، Python 3.6.9، PyTorch 1.3.1، NetworkX 2.1، scikit-learn.

2. 2

   تنزيل مجموعات البيانات: ضع البيانات في مجلدي 'data' و 'newdata'.

3. 3

   إعادة إنتاج النتائج شبه المُشرف عليها: قم بتشغيل `sh semi.sh`.

4. 4

   إعادة إنتاج النتائج المُشرف عليها بالكامل: قم بتشغيل `sh full.sh`.

5. 5

   إعادة إنتاج نتائج PPI الاستقرائية: قم بتشغيل `sh ppi.sh`.

6. 6

   دمج تنفيذ PyG: تأكد من تثبيت torch-geometric >= 1.5.0 و ogb >= 1.2.0.

7. 7

   تشغيل أمثلة PyG: قم بتنفيذ `python cora.py` أو `python arxiv.py`.

حالات استخدام تنفيذ GCNII باستخدام PyTorch

• بحث الشبكات العصبية الرسومية
• إعادة إنتاج نتائج الأبحاث
• التعلم الآلي القائم على الرسوم البيانية
• قياس أداء النماذج
• أداة تعليمية
• التعلم الاستقرائي على الرسوم البيانية

الأسئلة الشائعة من تنفيذ GCNII باستخدام PyTorch

• ما هو تطبيق GCNII باستخدام PyTorch؟

  إنها قاعدة كود PyTorch تنفذ نموذج "الشبكات الالتفافية الرسومية البسيطة والعميقة" (GCNII)، مما يسمح للمستخدمين بإجراء التجارب وإعادة إنتاج نتائج الأبحاث.

• ما هي مجموعات البيانات التي يدعمها تطبيق GCNII؟

  يدعم التطبيق مجموعات البيانات المعيارية مثل Cora و Citeseer و Pubmed، بالإضافة إلى مجموعات بيانات إضافية مثل Chameleon و Cornell و Texas و Wisconsin و PPI.

• كيف يمكنني إعادة إنتاج النتائج شبه المُشرف عليها؟

  يمكنك إعادة إنتاج النتائج شبه المُشرف عليها عن طريق تشغيل النص البرمجي المقدم: `sh semi.sh`.

• كيف يمكنني إعادة إنتاج النتائج المُشرف عليها بالكامل؟

  لإعادة إنتاج النتائج المُشرف عليها بالكامل، قم بتنفيذ النص البرمجي: `sh full.sh`.

• هل يوجد تنفيذ لـ PyTorch Geometric متاح؟

  نعم، يتم تضمين تنفيذ مرجعي باستخدام PyTorch Geometric في مجلد 'PyG'، ويتطلب إصدارات محددة من torch-geometric و ogb.

• ما هي التبعيات الرئيسية لهذا المشروع؟

  تشمل التبعيات الرئيسية CUDA 10.1، Python 3.6.9، PyTorch 1.3.1، NetworkX 2.1، و scikit-learn.

• أين يمكنني العثور على نتائج الدقة لـ GCNII؟

  يتم توفير نتائج دقة الاختبار الملخصة لمختلف مجموعات البيانات والإعدادات في قسم README الخاص بالمستودع.

• كيف أقوم بتشغيل أمثلة تنفيذ PyG؟

  يمكنك تشغيل أمثلة تنفيذ PyG عن طريق تنفيذ نصوص Python البرمجية مثل `python cora.py` أو `python arxiv.py`.

• ما هي لغة البرمجة الأساسية المستخدمة في هذا المستودع؟

  لغة البرمجة الأساسية المستخدمة هي Python، مع نسبة صغيرة من نصوص Shell البرمجية لأغراض المرافق.

• ما هو الغرض من مجلد 'newdata'؟

  يحتوي مجلد 'newdata' على أربع مجموعات بيانات إضافية (Chameleon، Cornell، Texas، Wisconsin) المستخدمة في التطبيق.