pytorch_cluster Download - pytorch_cluster Source Code Download

pytorch_cluster

Python

1.6.3

Herunterladen

Pytorch -Cluster

Dieses Paket besteht aus einer kleinen Erweiterungsbibliothek mit hochoptimierten Graphen -Cluster -Algorithmen für die Verwendung in Pytorch. Das Paket besteht aus den folgenden Clustering -Algorithmen:

Graclus von Dhillon et al. : Gewichtete Graphenschnitte ohne Eigenvektoren: ein mehrstufiger Ansatz (Pami 2007)
Voxel Grid Pooling von, z .
Die am weitesten entfernte Punkte -Probenahme von, z. B. Qi et al. : Pointnet ++: Tief hierarchisches Feature -Lernen auf Punktsätzen in einem metrischen Raum (NIPS 2017)
K-NN- und Radius -Diagrammerzeugung
Clustering basierend auf den nächsten Punkten
Random Walk -Sampling von , z.

Alle enthaltenen Operationen arbeiten zu unterschiedlichen Datentypen und werden sowohl für CPU als auch für GPU implementiert.

Installation

Anakonda

UPDATE: Sie können jetzt pytorch-cluster über Anaconda für alle wichtigen OS/Pytorch/CUDA-Kombinationen installieren? Da Sie pytorch >= 1.8.0 installiert haben, fahren Sie einfach aus.

 conda install pytorch-cluster -c pyg

Binärdateien

Wir stellen alternativ PIP -Räder für alle großen OS/Pytorch/CUDA -Kombinationen zur Verfügung, siehe hier.

Pytorch 2.5

Um die Binärdateien für Pytorch 2.5.0 zu installieren, laufen Sie einfach aus

 pip install torch-cluster -f https://data.pyg.org/whl/torch-2.5.0+${CUDA}.html

wobei ${CUDA} je nach cpu , cu118 , cu121 oder cu124 abhängig von Ihrer Pytorch -Installation ersetzt werden sollte.

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
Fenster	✅	✅	✅	✅
macos	✅

Pytorch 2.4

Um die Binärdateien für Pytorch 2.4.0 zu installieren, laufen Sie einfach aus

 pip install torch-cluster -f https://data.pyg.org/whl/torch-2.4.0+${CUDA}.html

wobei ${CUDA} je nach cpu , cu118 , cu121 oder cu124 abhängig von Ihrer Pytorch -Installation ersetzt werden sollte.

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
Fenster	✅	✅	✅	✅
macos	✅

HINWEIS: Binaries älterer Versionen werden auch für Pytorch 1.4.0, Pytorch 1.5.0, Pytorch 1.6.0, Pytorch 1.7.0/1.7.1, Pytorch 1.8.0/1.8.1, Pytorch 1.9.0, Pytorch 1.10/1.10/1.10, 1,10/1.10, 1,10/1.10/1.10.2, Pytorch 1.10/1.10/1.10.2, Pytorch 1.10/1.10/1.10.2, bereitgestellt. 1.12.0/1.12.1, Pytorch 1.13.0/1.13.1, Pytorch 2.0.0/2.0.1, Pytorch 2.1.0/2.1.1/2.1.2, Pytorch 2.2.0/2.2.1/2.2.2 und Pytorch 2.3.0/2.3.1 (nach dem gleichen Verfahren). Für ältere Versionen müssen Sie explizit die neueste unterstützte Versionsnummer oder die Installation über pip install --no-index angeben, um eine manuelle Installation aus der Quelle zu verhindern. Hier können Sie die neueste unterstützte Versionsnummer nachschlagen.

Von Quelle

Stellen Sie sicher, dass mindestens Pytorch 1.4.0 installiert ist, und überprüfen Sie, ob sich cuda/bin und cuda/include in Ihrem $PATH bzw. $CPATH , befinden:

 $ python -c "import torch; print(torch.__version__)"
>>> 1.4.0

$ python -c "import torch; print(torch.__version__)"
>>> 1.1.0

$ echo $PATH
>>> /usr/local/cuda/bin:...

$ echo $CPATH
>>> /usr/local/cuda/include:...

Dann rennen:

 pip install torch-cluster

Wenn Pytorch in einem Docker -Container ohne NVIDIA -Treiber ausgeführt wird, muss er die Berechnungsfunktionen bewerten und möglicherweise fehlschlagen. Stellen Sie in diesem Fall sicher, dass die Rechenfunktionen über TORCH_CUDA_ARCH_LIST , z . B.:

 export TORCH_CUDA_ARCH_LIST = "6.0 6.1 7.2+PTX 7.5+PTX"

Funktionen

Graclus

Ein gieriger Clustering -Algorithmus zur Auswahl eines nicht markierten Scheitelpunkts und dem Abzug mit einem seiner nicht markierten Nachbarn (das sein Kantengewicht maximiert). Der GPU -Algorithmus wird von Faggerer Auer und Bisseling angepasst: ein GPU -Algorithmus für gierige Grafikabschnitte (LNCS 2012)

 import torch
from torch_cluster import graclus_cluster

row = torch . tensor ([ 0 , 1 , 1 , 2 ])
col = torch . tensor ([ 1 , 0 , 2 , 1 ])
weight = torch . tensor ([ 1. , 1. , 1. , 1. ])  # Optional edge weights.

cluster = graclus_cluster ( row , col , weight )

 print(cluster)
tensor([0, 0, 1])

Voxelgrid

Ein Clustering-Algorithmus, der ein regelmäßiges Gitter der benutzerdefinierten Größe über eine Punktwolke überlagert und alle Punkte innerhalb eines Voxels klustert.

 import torch
from torch_cluster import grid_cluster

pos = torch . tensor ([[ 0. , 0. ], [ 11. , 9. ], [ 2. , 8. ], [ 2. , 2. ], [ 8. , 3. ]])
size = torch . Tensor ([ 5 , 5 ])

cluster = grid_cluster ( pos , size )

 print(cluster)
tensor([0, 5, 3, 0, 1])

Am weitestenpointsampling

Ein Stichprobenalgorithmus, der iterativ den entfernten Punkt in Bezug auf die Restpunkte iterativ abtastet.

 import torch
from torch_cluster import fps

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
index = fps ( x , batch , ratio = 0.5 , random_start = False )

 print(index)
tensor([0, 3])

KNN-Graph

Berechnet die Grafikkanten zu den nächsten K -Punkten.

Args:

x (Tensor) : Knotenfunktionsmatrix der Form [N, F] .
K (int) : Die Anzahl der Nachbarn.
Batch (Longtensor, optional) : Stapelvektor der Form [N] , der jedem Knoten einem bestimmten Beispiel zuweist. batch muss sortiert werden. (Standard: None )
Schleife (bool, optional) : Wenn True , enthält die Grafik Selbstschleife. (Standard: False )
Flow (String, optional) : Die Flussrichtung in Kombination mit der Meldungsabgabe ( "source_to_target" oder "target_to_source" ). (Standard: "source_to_target" )
Cosinus (boolean, optional) : Wenn True , verwendet der Cosinus -Abstand anstelle der euklidischen Entfernung, um die nächsten Nachbarn zu finden. (Standard: False )
num_worker (int) : Anzahl der Arbeitnehmer, die zur Berechnung verwendet werden sollen. Hat keine Wirkung, falls batch None ist, oder der Eingang liegt in der GPU. (Standard: 1 )

 import torch
from torch_cluster import knn_graph

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
edge_index = knn_graph ( x , k = 2 , batch = batch , loop = False )

 print(edge_index)
tensor([[1, 2, 0, 3, 0, 3, 1, 2],
        [0, 0, 1, 1, 2, 2, 3, 3]])

Radius-Graph

Berechnet die Grafikkanten in allen Punkten innerhalb eines bestimmten Abstands.

Args:

x (Tensor) : Knotenfunktionsmatrix der Form [N, F] .
r (float) : der Radius.
Batch (Longtensor, optional) : Stapelvektor der Form [N] , der jedem Knoten einem bestimmten Beispiel zuweist. batch muss sortiert werden. (Standard: None )
Schleife (bool, optional) : Wenn True , enthält die Grafik Selbstschleife. (Standard: False )
MAX_NUM_NEIGHBORS (int, optional) : Die maximale Anzahl von Nachbarn für jedes Element zurückkehren. Wenn die Anzahl der tatsächlichen Nachbarn größer ist als max_num_neighbors , werden zurückgegebene Nachbarn zufällig ausgewählt. (Standard: 32 )
Flow (String, optional) : Die Flussrichtung in Kombination mit der Meldungsabgabe ( "source_to_target" oder "target_to_source" ). (Standard: "source_to_target" )
num_worker (int) : Anzahl der Arbeitnehmer, die zur Berechnung verwendet werden sollen. Hat keine Wirkung, falls batch None ist, oder der Eingang liegt in der GPU. (Standard: 1 )

 import torch
from torch_cluster import radius_graph

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
edge_index = radius_graph ( x , r = 2.5 , batch = batch , loop = False )

 print(edge_index)
tensor([[1, 2, 0, 3, 0, 3, 1, 2],
        [0, 0, 1, 1, 2, 2, 3, 3]])

Randomwalk-Sampling

Proben zufällige Wanderungen von Länge walk_length von allen Knotenindizes zu start in der von (row, col) angegebenen Grafik.

 import torch
from torch_cluster import random_walk

row = torch . tensor ([ 0 , 1 , 1 , 1 , 2 , 2 , 3 , 3 , 4 , 4 ])
col = torch . tensor ([ 1 , 0 , 2 , 3 , 1 , 4 , 1 , 4 , 2 , 3 ])
start = torch . tensor ([ 0 , 1 , 2 , 3 , 4 ])

walk = random_walk ( row , col , start , walk_length = 3 )

 print(walk)
tensor([[0, 1, 2, 4],
        [1, 3, 4, 2],
        [2, 4, 2, 1],
        [3, 4, 2, 4],
        [4, 3, 1, 0]])

Auslauftests

 pytest

C ++ API

torch-cluster bietet auch eine C ++-API an, die C ++-Äquivalent von Python-Modellen enthält.

 export Torch_DIR=`python -c 'import torch;print(torch.utils.cmake_prefix_path)'`
mkdir build
cd build
# Add -DWITH_CUDA=on support for the CUDA if needed
cmake ..
make
make install

Expandieren

Zusätzliche Informationen