AutoGL
v0.4.0
Introducción china
Un marco Automl y un kit de herramientas para aprendizaje automático en gráficos.
En desarrollo activamente por @thumnlab
¡No dude en abrir problemas o contáctenos en [email protected] si tiene algún comentario o sugerencia!
model de módulo ahora admite desacoplado a dos submódulos adicionales llamados encoder y decoder . Bajo el diseño desacoplado , se puede usar un encoder para resolver todo tipo de tareas.Autogl se desarrolla para investigadores y desarrolladores para realizar AUTOML en conjuntos de datos y tareas de gráficos de manera fácil y rápida. ¡Vea nuestra documentación para obtener información detallada!
El flujo de trabajo a continuación muestra el marco general de AutoGl.
AutoGL utiliza datasets para mantener conjuntos de datos para el aprendizaje automático basado en gráficos, que se basa en el conjunto de datos en la biblioteca de gráficos geométricos o profundos de Pytorch con algunas funciones agregadas para admitir el marco de solucionadores automáticos.
Diferentes tareas de aprendizaje automático basadas en gráficos son manejadas por diferentes AutoGL solvers , que utilizan cinco módulos principales para resolver automáticamente tareas dadas, a saber, auto feature engineer , neural architecture search , auto model , hyperparameter optimization y auto ensemble .
Actualmente, los siguientes algoritmos son compatibles en Autogl:
| Ingeniero de funciones | Modelo | Nas | HPO | Conjunto |
| Generadores Gráficos Eigengnn más ... Selectores SefilterConstant gbdt Gráfico netlsd NxaverageClustering más ... | Codificadores de homo Gcnencoder Gatencoder Salvia Ginencoder Decodificadores LogsoftmaxDecoder Dotproductdecoder SUMPOOLMLPDECODER Jksumpooldecoder | Algoritmos Aleatorio RL Evolución Gasso más ... Espacios Un solo rato Gráficos Autoatte más ... Estimadores Otro Rascar | Red Aleatorio Recocer Bayes Camis Mocames Cuasi aleatorio TPE Autone | Votación Apilado |
Este kit de herramientas también sirve como un marco para que los usuarios implementen y prueben sus propios modelos de aprendizaje automático AutomL o Graph.
Asegúrese de cumplir con los siguientes requisitos antes de instalar AutoGL.
Python> = 3.6.0
Pytorch (> = 1.6.0)
Consulte https://pytorch.org/ para la instalación.
Backend de la biblioteca de gráficos
Necesitará Pytorch geométrico (pyg) o biblioteca de gráficos profundos (DGL) como backend. Puede seleccionar un backend siguiendo aquí si instala ambos.
3.1 Pytorch geométrico (> = 1.7.0)
Consulte https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/ para la instalación.
3.2 Biblioteca de gráficos profundos (> = 0.7.0)
Consulte https://dgl.ai/ para la instalación.
Ejecute el siguiente comando para instalar este paquete a través de pip .
pip install autogl
Ejecute el siguiente comando para instalar este paquete desde la fuente.
git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install
Si es un desarrollador del proyecto AutoGL, utilice el siguiente comando para crear un enlace suave, entonces puede modificar el paquete local sin instalarlos nuevamente.
pip install -e .
Consulte nuestra documentación para ver la documentación detallada.
También puede hacer la documentación localmente. Primero, instale sphinx y sphinx-rtd-theme:
pip install -U Sphinx
pip install sphinx-rtd-theme
Luego, haga una documentación HTML por:
cd docs
make clean && make html
La documentación se generará automáticamente en docs/_build/html
Cite nuestro documento de la siguiente manera si encuentra útil nuestro código:
@inproceedings{guan2021autogl,
title={Auto{GL}: A Library for Automated Graph Learning},
author={Chaoyu Guan and Ziwei Zhang and Haoyang Li and Heng Chang and Zeyang Zhang and Yijian Qin and Jiyan Jiang and Xin Wang and Wenwu Zhu},
booktitle={ICLR 2021 Workshop on Geometrical and Topological Representation Learning},
year={2021},
url={https://openreview.net/forum?id=0yHwpLeInDn}
}
También puede encontrar útil nuestro documento de encuesta:
@article{zhang2021automated,
title={Automated Machine Learning on Graphs: A Survey},
author={Zhang, Ziwei and Wang, Xin and Zhu, Wenwu},
booktitle = {Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, {IJCAI-21}},
year={2021},
note={Survey track}
}
Seguimos la licencia Apache en toda la base de código desde V0.2.
