AutoGL
v0.4.0
Introduction chinoise
Un framework automatique et une boîte à outils pour l'apprentissage automatique sur les graphiques.
Activement sous développement par @thumnLab
N'hésitez pas à ouvrir des problèmes ou à nous contacter à [email protected] si vous avez des commentaires ou des suggestions!
model de module prend désormais en charge les découplés à deux sous-modules supplémentaires nommés encoder et decoder . Sous la conception découplée , un encoder peut être utilisé pour résoudre toutes sortes de tâches.Autogl est développé pour que les chercheurs et les développeurs mettent facilement et rapidement des ensembles de données et des tâches de données de graphiques. Voir notre documentation pour des informations détaillées!
Le workflow ci-dessous montre le cadre global de l'autogle.
Autogl utilise datasets pour maintenir des ensembles de données pour l'apprentissage automatique basé sur des graphiques, qui est basé sur un ensemble de données dans la bibliothèque de graphes géométriques ou profondes de Pytorch avec certaines fonctions ajoutées pour prendre en charge le framework Auto Solver.
Différentes tâches d'apprentissage automatique basées sur des graphiques sont gérées par différents AutoGL solvers , qui utilisent cinq modules principaux pour résoudre automatiquement les tâches, à savoir auto feature engineer , neural architecture search , auto model , hyperparameter optimization et auto ensemble .
Actuellement, les algorithmes suivants sont pris en charge dans Autogl:
| Ingénieur de caractéristiques | Modèle | Nas | HPO | Ensemble |
| Générateurs Graphlets Eigegnnn plus ... Sélecteurs SefilterConstant gbdt Graphique netlsd Nxaveragecluster plus ... | Encodeurs homo GCNENCODER Gatin Sageencoder Ginencoder Décodeurs Logsoftmaxdecoder Dotproductdecoder Sumpoolmlpdecoder Encodeur jkumpoold | Algorithmes Aléatoire Rl Évolution Gasso plus ... Espaces Couple Graphnas Axoncé automatiquement plus ... Estimateurs Onhouetter Gratter | Grille Aléatoire Recuire Bayes Cames Mocames Quasi aléatoire TPE Autoche | Vote Empilement |
Cette boîte à outils sert également de cadre aux utilisateurs pour implémenter et tester leurs propres modèles d'apprentissage automatique basés sur Automl ou Graph.
Veuillez vous assurer de répondre aux exigences suivantes avant d'installer Autogl.
Python> = 3,6.0
Pytorch (> = 1.6.0)
Voir https://pytorch.org/ pour l'installation.
Backend de la bibliothèque de graphiques
Vous aurez besoin de Pytorch Géométrique (PYG) ou de la bibliothèque de graphiques profonds (DGL) comme backend. Vous pouvez sélectionner un backend suivant ici si vous installez les deux.
3.1 Géométrique Pytorch (> = 1,7,0)
Voir https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/ pour l'installation.
3.2 Bibliothèque de graphiques profonds (> = 0,7,0)
Voir https://dgl.ai/ pour l'installation.
Exécutez la commande suivante pour installer ce package via pip .
pip install autogl
Exécutez la commande suivante pour installer ce package à partir de la source.
git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install
Si vous êtes un développeur du projet Autogl, veuillez utiliser la commande suivante pour créer un lien souple, vous pouvez modifier le package local sans les installer à nouveau.
pip install -e .
Veuillez consulter notre documentation pour voir la documentation détaillée.
Vous pouvez également faire la documentation localement. Tout d'abord, veuillez installer sphinx et sphinx-rtd-theme:
pip install -U Sphinx
pip install sphinx-rtd-theme
Ensuite, faites une documentation HTML par:
cd docs
make clean && make html
La documentation sera automatiquement générée par docs/_build/html
Veuillez citer notre article comme suit si vous trouvez notre code utile:
@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}
}
Vous pouvez également trouver notre document d'enquête utile:
@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}
}
Nous suivons la licence Apache sur toute la base de code de V0.2.
