Descarga de deep_gcns_torch - deep_gcns_torch Código fuente de descarga

deep_gcns_torch

Pitón

1.0.0

Descargar

Deepgcns: ¿Pueden los GCN tan profundos como CNNS?

En este trabajo, presentamos nuevas formas de entrenar con éxito GCN muy profundos. Tomamos prestados conceptos de CNN, principalmente conexiones residuales/densas y convoluciones dilatadas, y los adaptamos a las arquitecturas GCN. A través de experimentos extensos, mostramos el efecto positivo de estos marcos GCN profundos.

[Proyecto] [Paper] [Slides] [Código TensorFlow] [Código PyTorch]

Descripción general

Hacemos experimentos extensos para mostrar cómo los diferentes componentes (#Lapas, #filters, #nearest vecinos, dilatación, etc.) afectan DeepGCNs . También proporcionamos estudios de ablación sobre diferentes tipos de GCN profundos (MRGCN, EDGECONV, Graphsage y Gin).

Cómo entrenar, probar y evaluar nuestros modelos

Mire los detalles en Readme.md de cada tarea dentro de la carpeta examples . Allí se puede encontrar toda la información del código, los datos y los modelos previos a la detención.

DeepGCNS (ICCV'2019, TPAMI'2021): S3DIS, PartNet, Modelnet40, PPI
Deepergcn (ARXIV'2020): OGB
GNN'1000 (ICML'2021): OGB

Requisitos recomendados

Python> = 3.7
Pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 solo se usa para experimentos en conjuntos de datos OGB
dgl> = 0.5.3 solo usado para los examples/ogb_eff/ogbn_arxiv_dgl

Instalar Enviroment corriendo:

 source deepgcn_env_install.sh

Arquitectura de código

 .
├── 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
└── ...

Citación

Por favor cita nuestro documento si encuentra algo útil,

 @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}
}