deep_gcns_torch Download - deep_gcns_torch Code source Télécharger

deep_gcns_torch

Python

1.0.0

Télécharger

DeepGCNS: Les GCN peuvent-ils aller aussi profondément que CNNS?

Dans ce travail, nous présentons de nouvelles façons de former avec succès des GCN très profonds. Nous empruntons des concepts à CNNS, principalement des connexions résiduelles / denses et des convolutions dilatées, et les adaptons aux architectures GCN. Grâce à de vastes expériences, nous montrons l'effet positif de ces cadres GCN profonds.

[Project] [Paper] [diapositives] [Code TensorFlow] [Code pytorch]

Aperçu

Nous faisons des expériences approfondies pour montrer comment différents composants (#layers, #filters, #-nearest voisins, dilatation, etc.) affectent DeepGCNs . Nous fournissons également des études d'ablation sur différents types de GCN profonds (MRGCN, EdgeConv, Graphsage et Gin).

Comment former, tester et évaluer nos modèles

Veuillez regarder les détails dans Readme.md de chaque tâche à l'intérieur du dossier examples . Toutes les informations sur le code, les données et les modèles pré-entraînés peuvent y être trouvés.

DeepGCNS (ICCV'2019, TPAMI'2021): S3DIS, PartNet, ModelNet40, PPI
Deegergcn (arXiv'2020): OGB
Gnn'1000 (icml'2021): ogb

Exigences recommandées

Python> = 3,7
Pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 uniquement utilisé pour des expériences sur les ensembles de données OGB
dgl> = 0.5.3 Utilisé uniquement pour les examples/ogb_eff/ogbn_arxiv_dgl

Installez l'environnement en course:

 source deepgcn_env_install.sh

Architecture de code

 .
├── 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
└── ...

Citation

Veuillez citer notre papier si vous trouvez quelque chose d'utile,

 @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}
}