描述
这个 GitHub 存储库 chennnM/GCNII 提供了“简单深度图卷积网络”（GCNII）研究论文的 PyTorch 实现。该项目旨在为研究人员和开发人员提供一个易于访问且功能齐全的代码库，以便他们能够对 GCNII 进行实验和在此基础上进行构建。
阅读更多
该实现支持各种图数据集，包括 Cora、Citeseer 和 Pubmed 等基准数据集，以及 Chameleon、Cornell、Texas 和 Wisconsin 等其他数据集。它支持复现半监督和全监督学习设置，与 GCN 和 Geom-GCN 等相关研究中描述的实验设置相呼应。该存储库还包含运行这些实验的脚本，使得复现报告的结果变得简单明了。
实现的关键组件包括核心模型架构、数据加载和预处理实用程序以及训练脚本。该项目详细说明了其依赖项，如 CUDA、Python、PyTorch、NetworkX 和 scikit-learn，确保用户能够正确设置其环境。此外，还提供了一个 PyG（PyTorch Geometric）文件夹内的参考实现，供那些偏好或需要与 PyTorch Geometric 库集成的人使用，并对 torch-geometric 和 ogb 有特定的版本要求。
该存储库还展示了不同数据集和设置下的测试准确性结果摘要，为用户提供了一个基准，用于比较他们自己的实现或发现。使用说明清晰明了，指导用户如何执行提供的 shell 脚本来完成半监督、全监督和归纳式 PPI 实验。这使得 GCNII 模型能够应用于图式机器学习任务。
该项目正在积极维护中，README 文件最近已更新。它强调了开源开发的协作性质，贡献和分支表明了社区的参与度。使用的主要语言是 Python，少量 Shell 脚本用于实用目的。对于任何对高级图神经网络及其应用感兴趣的人来说，这个资源都非常有价值。
- 类别机器学习平台
- 定价模式开源
- 部署云端, 自托管
- 平台Linux, Windows
GCNII的核心功能
GCNII 模型的 PyTorch 实现
支持半监督学习
支持全监督学习
包含基准数据集（Cora、Citeseer、Pubmed）
包含其他数据集（Chameleon、Cornell、Texas、Wisconsin）
提供复现实验结果的脚本
提供 PyTorch Geometric 参考实现
详细说明环境设置的依赖项
总结测试准确性结果
包含实验使用说明
代码库主要用 Python 编写
GCNII入门
设置环境：安装 CUDA、Python 3.6.9、PyTorch 1.3.1、NetworkX 2.1、scikit-learn。
下载数据集：将数据放在 'data' 和 'newdata' 文件夹中。
复现半监督结果：运行 `sh semi.sh`。
复现全监督结果：运行 `sh full.sh`。
复现归纳式 PPI 结果：运行 `sh ppi.sh`。
集成 PyG 实现：确保已安装 torch-geometric >= 1.5.0 和 ogb >= 1.2.0。
运行 PyG 示例：执行 `python cora.py` 或 `python arxiv.py`。
GCNII的使用案例
- 图神经网络研究
- 复现研究结果
- 图式机器学习
- 模型基准测试
- 教育工具
- 图上的归纳学习
