Description
Le dépôt lightaime/deep_gcns_torch est une implémentation PyTorch complète pour l'entraînement de réseaux convolutionnels sur graphes (GCN) exceptionnellement profonds. Inspiré par le succès des réseaux neuronaux convolutionnels (CNN) profonds, ce projet introduit des méthodes novatrices pour surmonter les défis liés à l'entraînement de GCN avec un grand nombre de couches. Les adaptations architecturales clés incluent l'intégration de connexions résiduelles et denses, ainsi que des convolutions dilatées, qui sont fondamentales pour atteindre la profondeur dans les CNN. Ces techniques sont soigneusement adaptées à la structure unique des données graphiques, permettant des modèles GNN plus puissants et évolutifs.
Lire la suite
Le dépôt héberge le code de plusieurs modèles GNN et contributions de recherche significatifs : DeepGCNs (publié à l'ICCV'2019 et TPAMI'2021), DeeperGCN (présenté dans arXiv'2020) et GNN1000 (introduit à l'ICML'2021). Ces modèles ont été évalués sur divers ensembles de données de référence, notamment S3DIS, PartNet, ModelNet40, PPI et les ensembles de données OGB, démontrant leur efficacité dans des tâches telles que la classification de nuages de points, la segmentation sémantique et la prédiction de propriétés de nœuds/graphes.
Les utilisateurs peuvent trouver des instructions détaillées pour configurer l'environnement, exécuter des expériences et évaluer des modèles dans les fichiers README situés dans les dossiers d'exemples respectifs. L'architecture du code est organisée pour faciliter la modularité et l'extensibilité, avec des répertoires dédiés aux bibliothèques GCN (données éparses et denses), aux modules économes en mémoire et à diverses applications d'exemple. Le projet met l'accent sur des expérimentations approfondies et des études d'ablation pour comprendre l'impact des différents composants architecturaux sur les performances des GCN.
Cette ressource est inestimable pour les chercheurs et les praticiens dans les domaines de la vision par ordinateur, de la bioinformatique, de la chimie computationnelle et de l'analyse des réseaux sociaux qui travaillent avec des données structurées en graphes. En fournissant des modèles GNN bien implémentés et des configurations expérimentales claires, le dépôt vise à faire progresser l'état de l'art de l'apprentissage profond sur les graphes et à encourager une exploration plus poussée des architectures de réseaux neuronaux sur graphes plus profondes et plus efficaces.
- CatégoriePlateformes de machine learning
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales de DeepGCNs
Implémentation PyTorch pour DeepGCNs
Code pour DeeperGCN (arXiv'2020)
Implémentation de GNN1000 (ICML'2021)
Adaptation de concepts CNN (connexions résiduelles/denses, dilatation) pour les GCN
Résultats expérimentaux approfondis et études d'ablation
Prise en charge de divers ensembles de données de graphes (S3DIS, PartNet, ModelNet40, PPI, OGB)
Code pour la classification de nuages de points et la segmentation sémantique
Code pour la prédiction de propriétés de nœuds et de graphes
Modules GNN économes en mémoire
Architecture de code modulaire pour les bibliothèques GCN (éparses et denses)
Instructions claires pour la configuration de l'environnement et l'exécution des modèles
Open-source sous licence MIT
Premiers pas avec DeepGCNs
Cloner le dépôt : Téléchargez le code depuis le dépôt GitHub.
Installer l'environnement : Exécutez le script `deepgcn_env_install.sh` pour configurer les bibliothèques requises.
Configurer les expériences : Naviguez vers le répertoire `examples` et sélectionnez une tâche (par exemple, `modelnet_cls`, `sem_seg_dense`).
Exécuter les modèles : Suivez les instructions dans les README spécifiques à la tâche pour entraîner, tester et évaluer les modèles.
Intégrer les modules : Utilisez les bibliothèques GCN et les modules efficaces dans des projets personnalisés de réseaux neuronaux sur graphes.
Adapter pour la recherche : Modifiez et étendez les architectures existantes pour de nouvelles tâches d'apprentissage sur graphes.
Cas d'utilisation de DeepGCNs
- Classification de nuages de points
- Segmentation sémantique
- Classification de nœuds
- Prédiction de propriétés de graphes
- Segmentation de parties
- Recherche GNN
