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.
قراءة المزيد
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.
- الفئةمنصّات تعلّم الآلة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتLinux, Windows
الميزات الأساسية لـ GCNII
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 GCNII
إعداد البيئة: تثبيت CUDA، Python 3.6.9، PyTorch 1.3.1، NetworkX 2.1، scikit-learn.
تنزيل مجموعات البيانات: ضع البيانات في مجلدي 'data' و 'newdata'.
إعادة إنتاج النتائج شبه المُشرف عليها: قم بتشغيل `sh semi.sh`.
إعادة إنتاج النتائج المُشرف عليها بالكامل: قم بتشغيل `sh full.sh`.
إعادة إنتاج نتائج PPI الاستقرائية: قم بتشغيل `sh ppi.sh`.
دمج تنفيذ PyG: تأكد من تثبيت torch-geometric >= 1.5.0 و ogb >= 1.2.0.
تشغيل أمثلة PyG: قم بتنفيذ `python cora.py` أو `python arxiv.py`.
حالات استخدام GCNII
- بحث الشبكات العصبية الرسومية
- إعادة إنتاج نتائج الأبحاث
- التعلم الآلي القائم على الرسوم البيانية
- قياس أداء النماذج
- أداة تعليمية
- التعلم الاستقرائي على الرسوم البيانية
