pytorch_geometric_temporal download - pytorch_geometric

pytorch_geometric_temporal

بايثون

vironment and installation

تنزيل

الوثائق | الموارد الخارجية | مجموعات البيانات

Pytorch الهندسة الزمنية هي مكتبة تمديد زمنية (ديناميكية) ل Pytorch الهندسة.

تتألف المكتبة من العديد من أساليب الانحدار الديناميكي والهدد الزمني ، والتضمين ، وطرق الانحدار المكاني من مجموعة متنوعة من الأوراق البحثية المنشورة. علاوة على ذلك ، فإنه يأتي مع محمل مجموعة بيانات سهلة الاستخدام ، واختبار اختبار القطار ، وتكرار snaphot الزمني للرسوم البيانية الديناميكية والزمانية. يوفر الإطار دعم GPU بشكل طبيعي. كما يأتي مع عدد من مجموعات البيانات القياسية من التنبؤ الوبائي ومشاركة الاقتصاد وإنتاج الطاقة ونطاقات إدارة حركة المرور على الويب. أخيرًا ، يمكنك أيضًا إنشاء مجموعات البيانات الخاصة بك.

تتفاعل الحزمة بشكل جيد مع Lightning Pytorch الذي يسمح بالتدريب على وحدات المعالجة المركزية ، وحدات معالجة الرسومات المفردة والمتعددة خارج الصندوق. ألقِ نظرة على هذا المثال التمهيدي لاستخدام Pytorch الهندسي الزمني مع البرق Pytorch.

نقدم أيضًا أمثلة مفصلة لكل من النماذج المتكررة وأجهزة الكمبيوتر المحمولة للانتباه.

دروس دراسة الحالة

نحن نقدم دروسًا في دراسة الحالة المتعمقة في الوثائق ، ويغطي كل منها جانبًا من وظائف Pytorch الهندسية الزمانية.

التدريب الإضافي : دراسة حالة التنبؤ الوبائي

التدريب التراكمي : دراسة حالة إدارة حركة المرور على شبكة الإنترنت

نقلا عن

إذا وجدت Pytorch هندسي مؤقت ومجموعات البيانات الجديدة مفيدة في بحثك ، فيرجى التفكير في إضافة الاقتباس التالي:

 @inproceedings { rozemberczki2021pytorch ,
               author = { Benedek Rozemberczki and Paul Scherer and Yixuan He and George Panagopoulos and Alexander Riedel and Maria Astefanoaei and Oliver Kiss and Ferenc Beres and Guzman Lopez and Nicolas Collignon and Rik Sarkar } ,
               title = { {PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models} } ,
               year = { 2021 } ,
               booktitle = { Proceedings of the 30th ACM International Conference on Information and Knowledge Management } ,
               pages = { 4564–4573 } ,
}

مثال بسيط

Pytorch الهندسي الزمني يجعل تنفيذ الشبكات العصبية الديناميكية والزمنية سهلة للغاية - راجع البرنامج التعليمي المصاحب. على سبيل المثال ، هذا هو كل ما يتطلبه الأمر لتنفيذ شبكة تلافيفية للرسم البياني المتكرر مع اثنين من خلايا GRU الرسم البياني المتتاليين وطبقة خطية:

 import torch
import torch . nn . functional as F
from torch_geometric_temporal . nn . recurrent import GConvGRU

class RecurrentGCN ( torch . nn . Module ):

    def __init__ ( self , node_features , num_classes ):
        super ( RecurrentGCN , self ). __init__ ()
        self . recurrent_1 = GConvGRU ( node_features , 32 , 5 )
        self . recurrent_2 = GConvGRU ( 32 , 16 , 5 )
        self . linear = torch . nn . Linear ( 16 , num_classes )

    def forward ( self , x , edge_index , edge_weight ):
        x = self . recurrent_1 ( x , edge_index , edge_weight )
        x = F . relu ( x )
        x = F . dropout ( x , training = self . training )
        x = self . recurrent_2 ( x , edge_index , edge_weight )
        x = F . relu ( x )
        x = F . dropout ( x , training = self . training )
        x = self . linear ( x )
        return F . log_softmax ( x , dim = 1 )

طرق مشمولة

بالتفصيل ، تم تنفيذ الشبكات العصبية الزمنية التالية.

ملحقات الرسم البياني المتكرر

dcrnn من لي وآخرون. : الشبكة العصبية المتكررة التنازلية الانتشار: التنبؤ بحركة المرور التي تعتمد على البيانات (ICLR 2018)
Gconvgru من سيو وآخرون. : نمذجة تسلسل منظمة مع شبكات متكررة تلافيفية الرسم البياني (Iconip 2018)
GConvlstm من سيو وآخرون. : نمذجة تسلسل منظمة مع شبكات متكررة تلافيفية الرسم البياني (Iconip 2018)
GC-LSTM من Chen et al. : GC-LSTM: Contence Contination LSTM المدمجة للتنبؤ بالارتباط الديناميكي (CORR 2018)
LRGCN من Li et al. : التنبؤ فشل المسار في الرسوم البيانية المتطورة للوقت (KDD 2019)
Dygrencoder من Taheri et al. : تعلم تمثيل تطور الرسوم البيانية الديناميكية بنماذج متكررة
EvolveGcnh من Pareja et al. : EvolveGcn: تطور الشبكات "الرسم البياني" للرسوم البيانية الديناميكية
EvolveGcno من Pareja et al. : EvolveGcn: تطور الشبكات "الرسم البياني" للرسوم البيانية الديناميكية
T-GCN من Zhao et al. : T-GCN: شبكة تلافيفية للرسم البياني الزمني للتنبؤ بحركة المرور
A3T-GCN من Zhu et al. : A3T-GCN: انتباه الشبكة التلافيفية الرسم البياني الزمني للتنبؤ بالمرور
Agcrn من باي وآخرون. : الشبكة المتكررة الأنيقة الرسم البياني التكيفي للتنبؤ بالمرور (Neups 2020)
MPNN LSTM من Panagopoulos et al. : نقل الرسم البياني الشبكات العصبية للتنبؤ الوبائي (AAAI 2021)

الاهتمام بتلحقات الرسم البياني الزمني المجمعة

STGCN من يو وآخرون. : الشبكات التنازلية الرسم البياني المكاني: إطار عمل تعليمي عميق للتنبؤ بالمرور (IJCAI 2018)
ASTGCN من Guo et al. : انتباه الرسم البياني المكاني والزماني الشبكات التلافيفية للتنبؤ بتدفق حركة المرور (AAAI 2019)
MSTGCN من Guo et al. : انتباه الرسم البياني المكاني والزماني الشبكات التلافيفية للتنبؤ بتدفق حركة المرور (AAAI 2019)
GMAN من Zheng et al. : GMAN: شبكة شهية متعددة الرسم البياني للتنبؤ بحركة المرور (AAAI 2020)
Mtgnn من وو وآخرون. : توصيل النقاط: التنبؤ بسلسلة زمنية متعددة المتغيرات مع الشبكات العصبية الرسم البياني (KDD 2020)
2S-ACCN من شي وآخرون. : شبكات تلافيفية للرسوم البيانية المكونة من نوعين للتعرف على العمل القائم على الهيكل العظمي (CVPR 2019)
DNNTSP من يو وآخرون. : التنبؤ بمجموعات زمنية مع الشبكات العصبية العميقة (KDD 2020)

ملحقات الرسم البياني المساعد

TemporalConv من Yu et al. : الشبكات التنازلية الرسم البياني المكاني: إطار عمل تعليمي عميق للتنبؤ بالمرور (IJCAI 2018)
DCONV من لي وآخرون. : الشبكة العصبية المتكررة التنازلية الانتشار: التنبؤ بحركة المرور التي تعتمد على البيانات (ICLR 2018)
Chebconvattention من Guo et al. : انتباه الرسم البياني المكاني والزماني الشبكات التلافيفية للتنبؤ بتدفق حركة المرور (AAAI 2019)
AVWGCN من باي وآخرون. : الشبكة المتكررة الأنيقة الرسم البياني التكيفي للتنبؤ بالمرور (Neups 2020)

توجه إلى وثائقنا لمعرفة المزيد حول التثبيت وإنشاء مجموعات البيانات وقائمة كاملة من الأساليب المنفذة ومجموعات البيانات المتاحة. لبداية سريعة ، تحقق من الأمثلة في examples/ الدليل.

إذا لاحظت أي شيء غير متوقع ، فيرجى فتح مشكلة. إذا كنت تفتقد طريقة محددة ، فلا تتردد في فتح طلب ميزة.

تثبيت

قم بتثبيت Pytorch و Pytorch-Geometric أولاً ثم قم بتشغيله