pytorch_geometric_temporal Download - pytorch_geometric

pytorch_geometric_temporal

Python

vironment and installation

Télécharger

Documentation | Ressources externes | Ensembles de données

Pytorch Geometric Temporal est une bibliothèque d'extension temporelle (dynamique) pour la géométrique Pytorch.

La bibliothèque se compose de diverses méthodes de régression géométrique en profondeur géométrique dynamique et temporelle et de régression spatio-temporelle à partir d'une variété d'articles de recherche publiés. De plus, il est livré avec un chargeur de données de données facile à utiliser, un séparateur de test de train et un snaphot temporel pour les graphiques dynamiques et temporels. Le cadre fournit naturellement le support GPU. Il est également livré avec un certain nombre d'ensembles de données de référence à partir des domaines épidémologiques de prévision, d'économie du partage, de production d'énergie et de gestion du trafic Web. Enfin, vous pouvez également créer vos propres ensembles de données.

Le package s'interface bien avec Pytorch Lightning qui permet une formation sur des processeurs, des GPU simples et multiples prêts à l'emploi. Jetez un œil à cet exemple d'introduction de l'utilisation du temporel géométrique pytorch avec la foudre pytorch.

Nous fournissons également des exemples détaillés pour chacun des modèles et ordinateurs portables récurrents pour les modèles basés sur l'attention.

Tutoriels d'étude de cas

Nous fournissons des tutoriels étude approfondis dans la documentation, chacun couvre un aspect de la fonctionnalité temporelle géométrique de Pytorch.

Formation supplémentaire : étude de cas de prévision épidémiologique

Formation cumulative : étude de cas de gestion du trafic Web

Citant

Si vous trouvez un temporel géométrique Pytorch et les nouveaux ensembles de données utiles dans votre recherche, veuillez envisager d'ajouter la citation suivante:

 @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 exemple simple

Pytorch Geometric Temporal facilite la mise en œuvre des réseaux de neurones dynamiques et temporels assez faciles - voir le tutoriel d'accompagnement. Par exemple, c'est tout ce qu'il faut pour implémenter un réseau convolutionnel de graphe récurrent avec deux cellules GRU convolutionnelles de graphe consécutives et une couche linéaire:

 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 )

Méthodes incluses

En détail, les réseaux de neurones graphiques temporels suivants ont été mis en œuvre.

Convolutions de graphiques récurrents

DCRNN de Li et al. : Réseau neuronal récurrent convolutionnel de diffusion: prévision du trafic basée sur les données (ICLR 2018)
GconvGru de SEO et al. : Modélisation des séquences structurées avec réseaux récurrents convolutionnels graphiques (Iconip 2018)
GCONVLSTM de SEO et al. : Modélisation des séquences structurées avec réseaux récurrents convolutionnels graphiques (Iconip 2018)
GC-LSTM de Chen et al. : GC-LSTM: Graph Convolution Embedded LSTM pour la prédiction des liens dynamiques (Corr 2018)
LRGCN de Li et al. : Prédire l'échec du chemin dans les graphiques évolutifs du temps (KDD 2019)
Dygrencoder de Taheri et al. : Apprendre à représenter l'évolution des graphiques dynamiques avec des modèles récurrents
Evolvegcnh de Pareja et al. : EVOLOLGCN: réseaux de convolution en évolution en évolution pour les graphiques dynamiques
Evolvegcno de Pareja et al. : EVOLOLGCN: réseaux de convolution en évolution en évolution pour les graphiques dynamiques
Le T-GCN de Zhao et al. : T-GCN: un réseau de convolution de graphe temporel pour la prédiction du trafic
A3T-GCN de Zhu et al. : A3T-GCN: Réseau de convolution du graphique temporel d'attention pour les prévisions de trafic
L'agcrn de Bai et al. : Adaptive Graph Convolutionnel Recurrent Network for Traffic Prévision (Neirips 2020)
MPNN LSTM de Panagopoulos et al. : Transférer des réseaux de neurones du graphique pour les prévisions pandémiques (AAAI 2021)

Attention Convolutions de graphiques temporels agrégés

STGCN de Yu et al. : Réseaux de convolution des graphiques spatio-temporels: un cadre d'apprentissage en profondeur pour la prévision du trafic (IJCAI 2018)
ASTGCN de Guo et al. : Réseaux de convolution des graphiques spatiaux basés sur l'attention pour les prévisions de flux de trafic (AAAI 2019)
MSTGCN de Guo et al. : Réseaux de convolution des graphiques spatiaux basés sur l'attention pour les prévisions de flux de trafic (AAAI 2019)
Gman de Zheng et al. : GMAN: un réseau multi-astuces graphique pour la prédiction du trafic (AAAI 2020)
MTGNN de Wu et al. : Connexion des points: Prévision des séries chronologiques multivariées avec des réseaux de neurones graphiques (KDD 2020)
2S-AGCN de Shi et al. : Réseaux de convolution adaptatif à deux couleurs pour la reconnaissance d'action basée sur le squelette (CVPR 2019)
DNNTSP de Yu et al. : Prédire les ensembles temporels avec des réseaux de neurones profonds (KDD 2020)

Convolutions de graphiques auxiliaires

TemporalConv de Yu et al. : Réseaux de convolution des graphiques spatio-temporels: un cadre d'apprentissage en profondeur pour la prévision du trafic (IJCAI 2018)
DCONV de Li et al. : Réseau neuronal récurrent convolutionnel de diffusion: prévision du trafic basée sur les données (ICLR 2018)
Chebconvattention de Guo et al. : Réseaux de convolution des graphiques spatiaux basés sur l'attention pour les prévisions de flux de trafic (AAAI 2019)
AVWGCN de Bai et al. : Adaptive Graph Convolutionnel Recurrent Network for Traffic Prévision (Neirips 2020)

Rendez-vous sur notre documentation pour en savoir plus sur l'installation, la création d'ensembles de données et une liste complète des méthodes implémentées et des ensembles de données disponibles. Pour un démarrage rapide, consultez les exemples dans les examples/ répertoire.

Si vous remarquez quelque chose d'inattendu, veuillez ouvrir un problème. Si vous manquez une méthode spécifique, n'hésitez pas à ouvrir une demande de fonctionnalité.

Installation

Installez d'abord Pytorch et Pytorch-géométrique, puis exécutez