deep_gcns_torch Download - deep_gcns_torch Quellcode herunterladen

deep_gcns_torch

Python

1.0.0

Herunterladen

Deepgcns: Können GCNs so tief wie CNNs gehen?

In dieser Arbeit präsentieren wir neue Wege, um sehr tiefe GCNs erfolgreich auszubilden. Wir leihen uns Konzepte aus CNNs aus, hauptsächlich verbleibende/dichte Verbindungen und erweiterte Konvolutionen und passen sie an GCN -Architekturen an. Durch umfangreiche Experimente zeigen wir den positiven Effekt dieser tiefen GCN -Frameworks.

[Projekt] [Papier] [Folien] [TensorFlow -Code] [Pytorch -Code]

Überblick

Wir führen umfangreiche Experimente durch, um zu zeigen, wie unterschiedliche Komponenten (#Layer, #Filters, #Nearste Nachbarn, Dilatation usw.) DeepGCNs beeinflussen. Wir bieten auch Ablationsstudien zu verschiedenen Arten von tiefen GCNs (MRGCN, EdgeConv, Graphsage und GIN).

So trainieren, testen und bewerten Sie unsere Modelle

Bitte schauen Sie sich die Details in Readme.md jeder Aufgabe im Ordner examples an. Alle Informationen von Code, Daten und vorgenannten Modellen finden Sie dort.

Deepgcns (ICCV'2019, TPAMI'2021): S3DIS, PartNet, ModelNet40, PPI
Deepergcn (Arxiv'2020): OGB
Gnn'1000 (ICML'2021): OGB

Empfohlene Anforderungen

Python> = 3,7
Pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 Nur für Experimente an OGB -Datensätzen verwendet
DGL> = 0.5.3 Nur für die Experiment examples/ogb_eff/ogbn_arxiv_dgl verwendet

Installieren Sie Umwelt durch Laufen:

 source deepgcn_env_install.sh

Codearchitektur

 .
├── 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
└── ...

Zitat

Bitte zitieren Sie unser Papier, wenn Sie etwas hilfreiches finden.

 @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}
}