deep_gcns_torch تنزيل - deep_gcns_torch تنزيل رمز المصدر

deep_gcns_torch

بايثون

1.0.0

تنزيل

DeepGCNS: هل يمكن أن تصل GCNs إلى عمق CNN؟

في هذا العمل ، نقدم طرقًا جديدة لتدريب GCNs العميقة للغاية. نحن نقترض مفاهيم من CNNs ، وخاصة الروابط المتبقية/الكثيفة والتلوينات المتوسعة ، وتكييفها مع بنيات GCN. من خلال تجارب مكثفة ، نظهر التأثير الإيجابي لأطر GCN العميقة هذه.

[Project] [Paper] [Slides] [TensorFlow Code] [Pytorch Code]

ملخص

نقوم بإجراء تجارب واسعة لإظهار كيف تؤثر المكونات المختلفة (#layers ، #filters DeepGCNs #nearest الجيران ، تمدد ، إلخ). نقدم أيضًا دراسات الاجتثاث على نوع مختلف من GCNs العميقة (MRGCN ، Edgeconv ، Graphsage و Gin).

كيفية تدريب واختبار وتقييم نماذجنا

يرجى إلقاء نظرة على التفاصيل في Readme.md من كل مهمة داخل examples . يمكن العثور على جميع معلومات الكود والبيانات والنماذج المسبقة هناك.

DeepGCNS (ICCV'2019 ، TPAMI'2021): S3DIS ، Partnet ، ModelNet40 ، PPI
Deepergcn (ARXIV'2020): OGB
GNN'1000 (ICML'2021): OGB

المتطلبات الموصى بها

بيثون> = 3.7
Pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 يستخدم فقط للتجارب على مجموعات بيانات OGB
DGL> = 0.5.3 المستخدمة فقط examples/ogb_eff/ogbn_arxiv_dgl

تثبيت Enviroment عن طريق الجري:

 source deepgcn_env_install.sh

رمز العمارة

 .
├── misc                    # Misc images
├── utils                   # Common useful modules
├── gcn_lib                 # gcn library
│   ├── dense               # gcn library for dense data (B x C x N x 1)
│   └── sparse              # gcn library for sparse data (N x C)
├── eff_gcn_modules         # modules for mem efficient gnns
├── examples 
│   ├── modelnet_cls        # code for point clouds classification on ModelNet40
│   ├── sem_seg_dense       # code for point clouds semantic segmentation on S3DIS (data type: dense)
│   ├── sem_seg_sparse      # code for point clouds semantic segmentation on S3DIS (data type: sparse)
│   ├── part_sem_seg        # code for part segmentation on PartNet
│   ├── ppi                 # code for node classification on PPI dataset
│   └── ogb                 # code for node/graph property prediction on OGB datasets
│   └── ogb_eff             # code for node/graph property prediction on OGB datasets with memory efficient GNNs
└── ...

اقتباس

يرجى الاستشهاد بالورقة إذا وجدت أي شيء مفيد ،

 @InProceedings{li2019deepgcns,
    title={DeepGCNs: Can GCNs Go as Deep as CNNs?},
    author={Guohao Li and Matthias Müller and Ali Thabet and Bernard Ghanem},
    booktitle={The IEEE International Conference on Computer Vision (ICCV)},
    year={2019}
}

 @article{li2021deepgcns_pami,
  title={Deepgcns: Making gcns go as deep as cnns},
  author={Li, Guohao and M{"u}ller, Matthias and Qian, Guocheng and Perez, Itzel Carolina Delgadillo and Abualshour, Abdulellah and Thabet, Ali Kassem and Ghanem, Bernard},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  year={2021},
  publisher={IEEE}
}

 @misc{li2020deepergcn,
    title={DeeperGCN: All You Need to Train Deeper GCNs},
    author={Guohao Li and Chenxin Xiong and Ali Thabet and Bernard Ghanem},
    year={2020},
    eprint={2006.07739},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

 @InProceedings{li2021gnn1000,
    title={Training Graph Neural Networks with 1000 layers},
    author={Guohao Li and Matthias Müller and Bernard Ghanem and Vladlen Koltun},
    booktitle={International Conference on Machine Learning (ICML)},
    year={2021}
}