본문으로 건너뛰기
ToolPotion
AI 어드바이저
제출 (무료)

DeepGCNs

이 GitHub 리포지토리는 DeepGCNs, DeeperGCN 및 GNN1000에 대한 PyTorch 구현을 제공합니다. 잔차 연결 및 희석 컨볼루션과 같은 CNN의 개념을 적용하여 매우 깊은 그래프 컨볼루션 네트워크를 훈련할 수 있도록 하여 그래프 신경망 연구를 촉진합니다.

저장소 보기
공유
저장소 보기
공유

lightaime/deep_gcns_torch 리포지토리는 매우 깊은 그래프 컨볼루션 네트워크(GCN) 훈련을 위한 포괄적인 PyTorch 구현입니다. 딥 컨볼루션 신경망(CNN)의 성공에서 영감을 받은 이 프로젝트는 많은 수의 레이어를 가진 GCN 훈련의 어려움을 극복하기 위한 새로운 방법을 도입합니다. 주요 아키텍처 적응에는 CNN에서 깊이를 달성하는 데 필수적인 잔차 및 밀집 연결과 희석 컨볼루션의 통합이 포함됩니다. 이러한 기술은 그래프 데이터의 고유한 구조에 신중하게 적용되어 더 강력하고 확장 가능한 GNN 모델을 가능하게 합니다.

더 읽기

이 리포지토리는 여러 중요한 GNN 모델 및 연구 기여에 대한 코드를 호스팅합니다: DeepGCNs(ICCV'2019 및 TPAMI'2021에 발표됨), DeeperGCN(arXiv'2020에 발표됨) 및 GNN1000(ICML'2021에 소개됨). 이러한 모델은 S3DIS, PartNet, ModelNet40, PPI 및 OGB 데이터셋을 포함한 다양한 벤치마크 데이터셋에서 평가되어 포인트 클라우드 분류, 의미론적 분할 및 노드/그래프 속성 예측과 같은 작업에서 효과를 입증했습니다.

사용자는 각 예제 폴더에 있는 README 파일에서 환경 설정, 실험 실행 및 모델 평가에 대한 자세한 지침을 찾을 수 있습니다. 코드 아키텍처는 모듈성과 확장성을 촉진하도록 구성되어 있으며, GCN 라이브러리(희소 및 밀집 데이터), 메모리 효율적인 모듈 및 다양한 예제 애플리케이션을 위한 전용 디렉토리가 있습니다. 이 프로젝트는 GCN 성능에 대한 다양한 아키텍처 구성 요소의 영향을 이해하기 위해 광범위한 실험 및 제거 연구를 강조합니다.

이 리소는 그래프 구조 데이터를 다루는 컴퓨터 비전, 생물 정보학, 화학 정보학 및 소셜 네트워크 분석 분야의 연구원 및 실무자에게 매우 중요합니다. 잘 구현된 GNN 모델과 명확한 실험 설정을 제공함으로써 이 리포지토리는 그래프에서의 딥러닝 최신 기술을 발전시키고 더 깊고 효과적인 그래프 신경망 아키텍처에 대한 추가 탐구를 장려하는 것을 목표로 합니다.

  • 카테고리머신러닝 플랫폼
  • 요금제오픈소스
  • 배포클라우드, 셀프 호스팅
  • 플랫폼웹

  • DeepGCNs를 위한 PyTorch 구현

  • DeeperGCN(arXiv'2020) 코드

  • GNN1000(ICML'2021) 구현

  • GCN을 위한 CNN 개념(잔차/밀집 연결, 희석) 적용

  • 광범위한 실험 결과 및 제거 연구

  • 다양한 그래프 데이터셋 지원(S3DIS, PartNet, ModelNet40, PPI, OGB)

  • 포인트 클라우드 분류 및 의미론적 분할 코드

  • 노드 및 그래프 속성 예측 코드

  • 메모리 효율적인 GNN 모듈

  • GCN 라이브러리(희소 및 밀집)를 위한 모듈식 코드 아키텍처

  • 환경 설정 및 모델 실행에 대한 명확한 지침

  • MIT 라이선스 하의 오픈 소스

  1. 리포지토리 클론: GitHub 리포지토리에서 코드를 다운로드합니다.

  2. 환경 설치: `deepgcn_env_install.sh` 스크립트를 실행하여 필요한 라이브러리를 설정합니다.

  3. 실험 구성: `examples` 디렉토리로 이동하여 작업을 선택합니다(예: `modelnet_cls`, `sem_seg_dense`).

  4. 모델 실행: 작업별 README의 지침에 따라 모델을 훈련, 테스트 및 평가합니다.

  5. 모듈 통합: 사용자 정의 그래프 신경망 프로젝트에서 GCN 라이브러리 및 효율적인 모듈을 활용합니다.

  6. 연구용으로 조정: 기존 아키텍처를 수정하고 확장하여 새로운 그래프 학습 작업을 수행합니다.

  • 포인트 클라우드 분류
  • 의미론적 분할
  • 노드 분류
  • 그래프 속성 예측
  • 부분 분할
  • GNN 연구

DeepGCNs 리뷰

로딩 중...

DeepGCNs와(과) 비슷한 인기 AI 도구

GCNII

AI GitHub 저장소

이 저장소는 "Simple and Deep Graph Convolutional Networks" (GCNII) 모델의 PyTorch 구현을 제공합니다. 여기에는 벤치마크 그래프 데이터셋에 대한 준지도 및 완전 지도 결과를 재현하기 위한 코드와 PyTorch Geometric 참조 구현이 포함되어 있습니다.

머신러닝 플랫폼
도구 보기

AI GitHub 저장소

이 저장소는 "Simple and Deep Graph Convolutional Networks" (GCNII) 모델의 PyTorch 구현을 제공합니다. 여기에는 벤치마크 그래프 데이터셋에 대한 준지도 및 완전 지도 결과를 재현하기 위한 코드와 PyTorch Geometric 참조 구현이 포함되어 있습니다.

머신러닝 플랫폼
AI GitHub 저장소 TOP 250 보기

이 리포지토리는 그래프 신경망(GNN)을 위한 Principal Neighbourhood Aggregation(PNA)의 구현을 제공합니다. PyTorch, DGL 및 PyTorch Geometric 프레임워크를 지원하며, 멀티태스크 및 실제 벤치마크를 위한 스크립트와 유연한 GNN 프레임워크 및 비교 모델을 제공합니다.

머신러닝 플랫폼
도구 보기

이 리포지토리는 그래프 신경망(GNN)을 위한 Principal Neighbourhood Aggregation(PNA)의 구현을 제공합니다. PyTorch, DGL 및 PyTorch Geometric 프레임워크를 지원하며, 멀티태스크 및 실제 벤치마크를 위한 스크립트와 유연한 GNN 프레임워크 및 비교 모델을 제공합니다.

머신러닝 플랫폼
AI GitHub 저장소 TOP 250 보기

GraphSAINT

AI GitHub 저장소

GraphSAINT는 대규모 그래프에서 딥 그래프 신경망(GNN)을 훈련하기 위한 유연한 프레임워크입니다. 그래프 샘플링을 사용하는 새로운 미니배치 훈련 방법을 도입하여 기존의 레이어 샘플링 기법에 비해 정확도, 효율성 및 확장성이 향상되었습니다. 여러 GNN 아키텍처와 샘플러를 지원합니다.

머신러닝 플랫폼
도구 보기

AI GitHub 저장소

대규모 그래프에서 딥 그래프 신경망(GNN)을 훈련하기 위한 유연한 프레임워크입니다. 그래프 샘플링을 사용하는 새로운 미니배치 훈련 방법을 도입하여 기존의 레이어 샘플링 기법에 비해 정확도, 효율성 및 확장성이 향상되었습니다. 여러 GNN 아키텍처와 샘플러를 지원합니다.GraphSAINT는 대규모 그래프에서 딥 그래프 신경망(GNN)을 훈련하기 위한 유연한 프레임워크입니다. 그래프 샘플링을 사용하는 새로운 미니배치 훈련 방법을 도입하여 기존의 레이어 샘플링 기법에 비해 정확도, 효율성 및 확장성이 향상되었습니다. 여러 GNN 아키텍처와 샘플러를 지원합니다.

머신러닝 플랫폼
AI GitHub 저장소 TOP 250 보기

그래프 컨볼루션 네트워크(GCN)는 그래프로 구조화된 데이터를 처리하도록 설계된 신경망의 한 유형입니다. 이는 컨볼루션 신경망을 그래프 구조 데이터로 일반화하여 준지도 학습 및 그래프 임베딩에서 강력한 응용을 가능하게 합니다. 이 모델은 복잡한 네트워크 데이터를 분석하는 새로운 접근 방식을 제공합니다.

기타 AI 도구
도구 보기

그래프로 구조화된 데이터를 처리하도록 설계된 신경망의 한 유형입니다. 이는 컨볼루션 신경망을 그래프 구조 데이터로 일반화하여 준지도 학습 및 그래프 임베딩에서 강력한 응용을 가능하게 합니다. 이 모델은 복잡한 네트워크 데이터를 분석하는 새로운 접근 방식을 제공합니다.그래프 컨볼루션 네트워크(GCN)는 그래프로 구조화된 데이터를 처리하도록 설계된 신경망의 한 유형입니다. 이는 컨볼루션 신경망을 그래프 구조 데이터로 일반화하여 준지도 학습 및 그래프 임베딩에서 강력한 응용을 가능하게 합니다. 이 모델은 복잡한 네트워크 데이터를 분석하는 새로운 접근 방식을 제공합니다.

기타 AI 도구
AI GitHub 저장소 TOP 250 보기

이 리포지토리는 ICLR'2022에 발표된 연구 논문 "How Attentive are Graph Attention Networks?"의 공식 코드 구현을 제공합니다. PyTorch Geometric, DGL 및 TensorFlow GNN을 포함한 여러 프레임워크에서 GATv2에 대한 재현 가능한 실험과 코드를…

머신러닝 플랫폼
도구 보기

Keras

AI GitHub 저장소

Keras는 인간을 위해 설계된 오픈 소스 딥 러닝 라이브러리입니다. 신경망 구축 과정을 단순화하고 개발자가 GitHub에서 개발에 기여할 수 있도록 합니다.

머신러닝 플랫폼
도구 보기

AI GitHub 저장소

인간을 위해 설계된 오픈 소스 딥 러닝 라이브러리입니다. 신경망 구축 과정을 단순화하고 개발자가 GitHub에서 개발에 기여할 수 있도록 합니다.Keras는 인간을 위해 설계된 오픈 소스 딥 러닝 라이브러리입니다. 신경망 구축 과정을 단순화하고 개발자가 GitHub에서 개발에 기여할 수 있도록 합니다.

추천머신러닝 플랫폼
AI GitHub 저장소 TOP 250 보기

DGCNN

AI GitHub 저장소

DGCNN은 동적 그래프 CNN을 구현한 포인트 클라우드 학습용 AI 모델입니다. 3D 포인트 클라우드 데이터의 분류 및 분할과 같은 작업에서 최첨단 성능을 달성합니다. 이 모델은 PyTorch 구현으로 제공되며 실제 시나리오에 적용되었습니다.

AI 모델 및 LLM
도구 보기

AI GitHub 저장소

동적 그래프 CNN을 구현한 포인트 클라우드 학습용 AI 모델입니다. 3D 포인트 클라우드 데이터의 분류 및 분할과 같은 작업에서 최첨단 성능을 달성합니다. 이 모델은 PyTorch 구현으로 제공되며 실제 시나리오에 적용되었습니다.DGCNN은 동적 그래프 CNN을 구현한 포인트 클라우드 학습용 AI 모델입니다. 3D 포인트 클라우드 데이터의 분류 및 분할과 같은 작업에서 최첨단 성능을 달성합니다. 이 모델은 PyTorch 구현으로 제공되며 실제 시나리오에 적용되었습니다.

AI 모델 및 LLM
AI GitHub 저장소 TOP 250 보기

Vision GNN (ViG)

AI GitHub 저장소

Vision GNN (ViG)는 Huawei Noah's Ark Lab에서 개발한 Vision Graph Neural Network의 PyTorch 구현체입니다. ViG 및 Pyramid ViG 아키텍처 모두에 대한 사전 학습된 모델과 학습 스크립트를 포함하여 이미지 처리 작업을 위한 효율적인 AI 백본을 제공합니다.

AI 모델 및 LLM
도구 보기

AI GitHub 저장소

Huawei Noah's Ark Lab에서 개발한 Vision Graph Neural Network의 PyTorch 구현체입니다. ViG 및 Pyramid ViG 아키텍처 모두에 대한 사전 학습된 모델과 학습 스크립트를 포함하여 이미지 처리 작업을 위한 효율적인 AI 백본을 제공합니다.Vision GNN (ViG)는 Huawei Noah's Ark Lab에서 개발한 Vision Graph Neural Network의 PyTorch 구현체입니다. ViG 및 Pyramid ViG 아키텍처 모두에 대한 사전 학습된 모델과 학습 스크립트를 포함하여 이미지 처리 작업을 위한 효율적인 AI 백본을 제공합니다.

AI 모델 및 LLM
AI GitHub 저장소 TOP 250 보기
1/8