pytorch_geometric_temporal Descargar - pytorch_geometric_temporal Código fuente Descargar Descargar

pytorch_geometric_temporal

Pitón

vironment and installation

Descargar

Documentación | Recursos externos | Conjuntos de datos

Pytorch geométrico temporal es una biblioteca de extensión temporal (dinámica) para la geométrica de Pytorch.

La biblioteca consiste en varios métodos de aprendizaje geométrico dinámico y temporal profundo, incrustación y regresión espacio-temporal de una variedad de trabajos de investigación publicados. Además, viene con un cargador de conjunto de datos fácil de usar, divisor de prueba de tren y iterador de snaphot temporal para gráficos dinámicos y temporales. El marco naturalmente proporciona soporte de GPU. También viene con una serie de conjuntos de datos de referencia del pronóstico epidemológico, economía compartida, producción de energía y dominios de gestión del tráfico web. Finalmente, también puede crear sus propios conjuntos de datos.

El paquete se interactúa bien con Pytorch Lightning que permite el entrenamiento en CPU, GPU solteras y múltiples fuera de la caja. Eche un vistazo a este ejemplo introductorio del uso de Pytorch geométrico temporal con Pytorch Lightning.

También proporcionamos ejemplos detallados para cada uno de los modelos y cuadernos recurrentes para los basados en la atención.

Tutoriales de estudio de caso

Proporcionamos tutoriales de estudio de caso en profundidad en la documentación, cada uno cubre un aspecto de la funcionalidad temporal geométrica de Pytorch.

Entrenamiento incremental : estudio de caso de pronóstico epidemiológico

Capacitación acumulativa : estudio de caso de gestión de tráfico web

Citando

Si encuentra útiles los nuevos conjuntos de datos de Pytorch y los nuevos conjuntos de datos en su investigación, considere agregar la siguiente cita:

 @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 } ,
}

Un ejemplo simple

Pytorch geométrico temporal hace que la implementación de redes neuronales de gráficos dinámicos y temporales sea bastante fácil; consulte el tutorial adjunto. Por ejemplo, esto es todo lo que se necesita para implementar una red convolucional gráfica recurrente con dos celdas de gru convolucionales gráficas consecutivas y una capa lineal:

 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 )

Métodos incluidos

En detalle, se implementaron las siguientes redes neuronales del gráfico temporal.

Convoluciones de gráficos recurrentes

Dcrnn de Li et al. : Diffusion Network Neural Recurrent Convolutional: pronóstico de tráfico basado en datos (ICLR 2018)
Gconvgru de Seo et al. : Modelado de secuencia estructurada con redes recurrentes convolucionales gráficas (Iconip 2018)
Gconvlstm de Seo et al. : Modelado de secuencia estructurada con redes recurrentes convolucionales gráficas (Iconip 2018)
GC-LSTM de Chen et al. : GC-LSTM: LSTM incrustado de convolución gráfica para la predicción dinámica de enlaces (Corr 2018)
LRGCN de Li et al. : Predecir la falla de la ruta en los gráficos que evolucionan en el tiempo (KDD 2019)
Dygrencoder de Taheri et al. : Aprender a representar la evolución de gráficos dinámicos con modelos recurrentes
Evolvegcnh de Pareja et al. : Evolvegcn: redes convolucionales de gráficos evolucionadores para gráficos dinámicos
Evolvegcno de Pareja et al. : Evolvegcn: redes convolucionales de gráficos evolucionadores para gráficos dinámicos
T-GCN de Zhao et al. : T-GCN: una red convolucional de gráfico temporal para la predicción del tráfico
A3T-GCN de Zhu et al. : A3T-GCN: Atención Network convolucional de gráfico temporal para el pronóstico de tráfico
AGCRN de Bai et al. : Red recurrente convolucional de gráfico adaptativo para el pronóstico de tráfico (Neurips 2020)
MPNN LSTM de Panagopoulos et al. : Transferir redes neuronales de gráficos para el pronóstico de pandemia (AAAI 2021)

ATENCIÓN CONVOLUCIONES DE GRÁFICO TEMPRESO TEMPREGADO

STGCN de Yu et al. : Redes convolucionales de gráficos espacio-temporales: un marco de aprendizaje profundo para el pronóstico de tráfico (IJCAI 2018)
Astgcn de Guo et al. : Redes convolucionales de gráfico espacial-temporal basado en la atención para el pronóstico del flujo de tráfico (AAAI 2019)
MSTGCN de Guo et al. : Redes convolucionales de gráfico espacial-temporal basado en la atención para el pronóstico del flujo de tráfico (AAAI 2019)
GMAN de Zheng et al. : GMAN: una red de atención múltiple gráfica para la predicción del tráfico (AAAI 2020)
Mtgnn de Wu et al. : Conectando los puntos: pronóstico de series temporales multivariadas con redes neuronales gráficas (KDD 2020)
2S-Agcn de Shi et al. : Redes convolucionales de gráficos adaptativos de dos transmisiones para el reconocimiento de acción basado en esqueletos (CVPR 2019)
DNNTSP de Yu et al. : Predecir conjuntos temporales con redes neuronales profundas (KDD 2020)

Convoluciones de gráficos auxiliares

TemporalConv de Yu et al. : Redes convolucionales de gráficos espacio-temporales: un marco de aprendizaje profundo para el pronóstico de tráfico (IJCAI 2018)
DConv de Li et al. : Diffusion Network Neural Recurrent Convolutional: pronóstico de tráfico basado en datos (ICLR 2018)
Chebconvatent de Guo et al. : Redes convolucionales de gráfico espacial-temporal basado en la atención para el pronóstico del flujo de tráfico (AAAI 2019)
AVWGCN de Bai et al. : Red recurrente convolucional de gráfico adaptativo para el pronóstico de tráfico (Neurips 2020)

Dirígete a nuestra documentación para obtener más información sobre la instalación, la creación de conjuntos de datos y una lista completa de métodos implementados y conjuntos de datos disponibles. Para un inicio rápido, consulte los ejemplos en los examples/ directorio.

Si nota algo inesperado, abra un problema. Si le falta un método específico, no dude en abrir una solicitud de función.

Instalación

Primero instale Pytorch y Pytorch-geométrico y luego ejecute