pytorch_geometric_temporal Download - pytorch_geometric

pytorch_geometric_temporal

ular piton

vironment and installation

Unduh

Dokumentasi | Sumber Daya Eksternal | Kumpulan data

Pytorch Geometric Temporal adalah perpustakaan ekstensi temporal (dinamis) untuk Pytorch Geometric.

Perpustakaan ini terdiri dari berbagai metode regresi geometris yang dinamis dan temporal, embedding, dan spatio-temporal regresi dari berbagai makalah penelitian yang diterbitkan. Selain itu, ia hadir dengan loader dataset yang mudah digunakan, splitter uji-kereta dan snaphot iterator temporal untuk grafik dinamis dan temporal. Kerangka kerja secara alami memberikan dukungan GPU. Ini juga dilengkapi dengan sejumlah dataset benchmark dari peramalan epidemologis, berbagi ekonomi, produksi energi, dan domain manajemen lalu lintas web. Akhirnya, Anda juga dapat membuat kumpulan data sendiri.

Paket tersebut berinteraksi dengan baik dengan Pytorch Lightning yang memungkinkan pelatihan pada CPU, GPU tunggal dan beberapa di luar kotak. Lihatlah contoh pengantar menggunakan temporal geometris Pytorch dengan Pytorch Lightning.

Kami juga memberikan contoh terperinci untuk masing -masing model dan buku catatan yang berulang untuk yang berbasis perhatian.

Tutorial Studi Kasus

Kami menyediakan tutorial studi kasus mendalam dalam dokumentasi, masing-masing mencakup aspek fungsionalitas temporal geometris pytorch.

Pelatihan tambahan : Studi Kasus Peramalan Epidemiologis

Pelatihan Kumulatif : Studi Kasus Manajemen Lalu Lintas Web

Mengutip

Jika Anda menemukan Pytorch Geometric Temporal dan dataset baru yang berguna dalam penelitian Anda, silakan pertimbangkan untuk menambahkan kutipan berikut:

 @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 } ,
}

Contoh sederhana

Pytorch Geometric Temporal Membuat Menerapkan Jaringan Saraf Dinamis dan Temporal Cukup Mudah - Lihat tutorial yang menyertainya. Sebagai contoh, hanya ini yang diperlukan untuk mengimplementasikan jaringan konvolusional grafik berulang dengan dua sel GRU konvolusional grafik berturut -turut dan lapisan linier:

 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 )

Metode termasuk

Secara rinci, jaringan saraf grafik temporal berikut diimplementasikan.

Konvolusi grafik berulang

Dcrnn dari Li et al. : Difusi Convolutional Recurrent Neural Network: Peramalan Lalu Lintas Berbasis Data (ICLR 2018)
GConvgru dari Seo et al. : Pemodelan Urutan Struktur dengan Grafik Konvolusional Recurrent Networks (ICONIP 2018)
GCONVLSTM DARI SEO et al. : Pemodelan Urutan Struktur dengan Grafik Konvolusional Recurrent Networks (ICONIP 2018)
GC-LSTM dari Chen et al. : GC-LSTM: Grafik Konvolusi Tertanam LSTM untuk Prediksi Tautan Dinamis (CORR 2018)
Lrgcn dari Li et al. : Memprediksi kegagalan jalur dalam grafik yang berkembang waktu (KDD 2019)
Dygrencoder dari Taheri et al. : Belajar mewakili evolusi grafik dinamis dengan model berulang
EvolveGcnh dari Pareja et al. : EvolveGcn: Evolving Grafik Jaringan Konvolusional untuk Grafik Dinamis
EvolveGcno dari Pareja et al. : EvolveGcn: Evolving Grafik Jaringan Konvolusional untuk Grafik Dinamis
T-GCN dari Zhao et al. : T-GCN: jaringan konvolusional grafik temporal untuk prediksi lalu lintas
A3T-GCN dari Zhu et al. : A3T-GCN: Perhatian jaringan konvolusional grafik temporal untuk peramalan lalu lintas
Agcrn dari Bai et al. : Jaringan berulang konvolusional grafik adaptif untuk peramalan lalu lintas (Neurips 2020)
MPNN LSTM dari Panagopoulos et al. : Transfer grafik jaringan saraf untuk peramalan pandemi (AAAI 2021)

Perhatian Konvolusi Grafik Temporal Terbaik

Stgcn dari Yu et al. : Jaringan konvolusional grafik spatio-temporal: Kerangka pembelajaran yang mendalam untuk peramalan lalu lintas (IJCAI 2018)
Astgcn dari Guo et al. : Jaringan konvolusional grafik spasial-temporal berbasis perhatian untuk peramalan arus lalu lintas (AAAI 2019)
MSTGCN dari Guo et al. : Jaringan konvolusional grafik spasial-temporal berbasis perhatian untuk peramalan arus lalu lintas (AAAI 2019)
GMAN dari Zheng et al. : GMAN: Jaringan multi-intensi grafik untuk prediksi lalu lintas (AAAI 2020)
Mtgnn dari Wu et al. : Menghubungkan titik -titik: peramalan seri waktu multivariat dengan grafik jaringan saraf (KDD 2020)
2S-AGCN dari Shi et al. : Jaringan konvolusional grafik adaptif dua aliran untuk pengenalan tindakan berbasis kerangka (CVPR 2019)
Dnntsp dari Yu et al. : Memprediksi set temporal dengan jaringan saraf dalam (KDD 2020)

Konvolusi grafik tambahan

Temporalconv dari Yu et al. : Jaringan konvolusional grafik spatio-temporal: Kerangka pembelajaran yang mendalam untuk peramalan lalu lintas (IJCAI 2018)
DCONV dari Li et al. : Difusi Convolutional Recurrent Neural Network: Peramalan Lalu Lintas Berbasis Data (ICLR 2018)
Chebconvattention dari Guo et al. : Jaringan konvolusional grafik spasial-temporal berbasis perhatian untuk peramalan arus lalu lintas (AAAI 2019)
Avwgcn dari Bai et al. : Jaringan berulang konvolusional grafik adaptif untuk peramalan lalu lintas (Neurips 2020)

Buka dokumentasi kami untuk mengetahui lebih lanjut tentang instalasi, pembuatan set data dan daftar lengkap metode yang diimplementasikan dan set data yang tersedia. Untuk awal yang cepat, lihat contoh -contoh dalam examples/ direktori.

Jika Anda melihat sesuatu yang tidak terduga, silakan buka masalah. Jika Anda kehilangan metode tertentu, jangan ragu untuk membuka permintaan fitur.

Instalasi

Pertama-tama instal Pytorch dan Pytorch-Geometrik dan kemudian jalankan