deep_gcns_torch download - deep_gcns_torch code source download

deep_gcns_torch

ular piton

1.0.0

Unduh

DeepGCNS: Bisakah GCNS pergi sedalam CNNs?

Dalam karya ini, kami menyajikan cara -cara baru untuk berhasil melatih GCN yang sangat dalam. Kami meminjam konsep dari CNNs, terutama koneksi residual/padat dan konvolusi yang melebar, dan menyesuaikannya dengan arsitektur GCN. Melalui eksperimen yang luas, kami menunjukkan efek positif dari kerangka kerja GCN yang mendalam ini.

[Proyek] [kertas] [Slide] [TensorFlow Code] [Kode PyTorch]

Ringkasan

Kami melakukan eksperimen yang luas untuk menunjukkan bagaimana komponen yang berbeda (#layers, #Filters, tetangga #Nearest, pelebaran, dll.) Efek DeepGCNs . Kami juga memberikan studi ablasi pada berbagai jenis GCN dalam (MRGCN, EdgeconV, GraphSage dan Gin).

Cara melatih, menguji dan mengevaluasi model kami

Silakan lihat detailnya di Readme.md dari setiap tugas di dalam folder examples . Semua informasi kode, data, dan model pretrain dapat ditemukan di sana.

DeepGCNS (ICCV'2019, TPAMI'2021): S3DIS, Partnet, Modelnet40, PPI
Deepergcn (Arxiv'2020): OGB
GNN'1000 (ICML'2021): OGB

Persyaratan yang disarankan

Python> = 3.7
Pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 hanya digunakan untuk percobaan pada dataset OGB
DGL> = 0.5.3 hanya digunakan untuk examples/ogb_eff/ogbn_arxiv_dgl

Instal Enviroment dengan menjalankan:

 source deepgcn_env_install.sh

Arsitektur Kode

 .
├── 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
└── ...

Kutipan

Harap kutip makalah kami jika Anda menemukan sesuatu yang bermanfaat,

 @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}
}