Unduh AutoGL - Unduh Kode Sumber AutoGL

AutoGL

ular piton

v0.4.0

Unduh

Pembelajaran Grafik Otomatis

Pendahuluan Cina

Kerangka & Toolkit Automl untuk Pembelajaran Mesin pada Grafik.

Aktif sedang dikembangkan oleh @thumnlab

Jangan ragu untuk membuka masalah atau hubungi kami di [email protected] jika Anda memiliki komentar atau saran!

Berita!

2023.10.29 Versi Baru! V0.4.1 ada di sini!
- Kami telah menyederhanakan modul dataset sehingga pengguna dapat membangun set data mereka sendiri dengan lebih mudah!
- Kami telah mengembangkan perpustakaan yang diperluas: Autogl-Light, yang merupakan versi Autogl yang ringan. Pengguna dapat menyesuaikan pipa Automl mereka sendiri dengan lebih mudah untuk grafik!
- Bug kecil diperbaiki.
2022.12.30 Versi Baru! v0.4.0-pre ada di sini!
- Kami telah mengusulkan nas-bench-graph (kertas, kode, tutorial), nas-benchmark pertama untuk grafik yang diterbitkan di Neurips'22. Dengan menggunakan Autogl bersama-sama dengan NAS-Bench-Graph, proses estimasi kinerja algoritma graphnas dapat sangat dipercepat.
- Kami telah mendukung algoritma ketahanan grafik dalam autogl, termasuk rekayasa struktur grafik, GNN yang kuat dan graphnas yang kuat. Lihat tutorial ketahanan untuk lebih jelasnya.
- Kami telah mendukung pembelajaran grafik sendiri ! Lihat tutorial pembelajaran yang di-swadaya untuk detail lebih lanjut.
2021.12.31 Versi V0.3.0-Pre dirilis
- Dukungan Deep Graph Library (DGL) Backend termasuk klasifikasi simpul homogen, prediksi tautan, dan tugas klasifikasi grafik. Autogl juga kompatibel dengan PYG 2.0 sekarang.
- Dukung klasifikasi simpul yang heterogen ! Lihat tutorial hetero.
- model modul sekarang mendukung dipisahkan ke dua sub-modul tambahan bernama encoder dan decoder . Di bawah desain yang dipisahkan , satu encoder dapat digunakan untuk menyelesaikan semua jenis tugas.
- Enrich NAS Algoritma seperti Autoattend, Gasso, Algoritma Aware Perangkat Keras, dll.
2021.07.11 Versi 0.2.0-Pre dirilis, yang mendukung Pencarian Arsitektur Neural (NAS) untuk menyesuaikan arsitektur, pengambilan sampel untuk melakukan tugas pada dataset besar, dan prediksi tautan.
2021.04.16 Makalah survei kami tentang pembelajaran mesin otomatis pada grafik diterima oleh IJCAI! Lihat lebih banyak di sini.
2021.04.10 Paper Autogl kami: Perpustakaan untuk Pembelajaran Grafik Otomatis diterima oleh ICLR 2021 Workshop tentang Pembelajaran Representasi Geometris dan Topologis ! Anda dapat mengutip metode berikut makalah kami di sini.

Perkenalan

Autogl dikembangkan untuk para peneliti dan pengembang untuk melakukan Automl pada kumpulan data grafik dan tugas dengan mudah dan cepat. Lihat dokumentasi kami untuk informasi terperinci!

Alur kerja di bawah ini menunjukkan keseluruhan kerangka Autogl.

AutoGL menggunakan datasets untuk mempertahankan set data untuk pembelajaran mesin berbasis grafik, yang didasarkan pada dataset di pytorch geometris atau pustaka grafik dalam dengan beberapa fungsi yang ditambahkan untuk mendukung kerangka kerja pemecah otomatis.

Tugas pembelajaran mesin berbasis grafik yang berbeda ditangani oleh AutoGL solvers yang berbeda, yang memanfaatkan lima modul utama untuk secara otomatis menyelesaikan tugas yang diberikan, yaitu auto feature engineer , neural architecture search , auto model , hyperparameter optimization , dan auto ensemble .

Saat ini, algoritma berikut didukung dalam Autogl:

Insinyur fitur	Model	Nas	HPO	Ansambel
Generator Graphlets Eigengnn lagi ... Pemilih Sefilterconstant GBDT Grafik netlsd Nxaverageclustering lagi ...	Homo Encoders Gcnencoder Gatencoder Sageencoder Ginencoder Decoder LOGSOFTMAXDECODER Dotproductdecoder SUMPOOLMLPDECODER Jksumpooldecoder	Algoritma Acak Rl Evolusi Gasso lagi ... Ruang SinglePath Graphnas Autoattend lagi ... Penaksir OneShot Menggores	Kisi Acak Anneal Bayes Cames Mocames Quasi acak Tpe Autone	Pemungutan suara Menumpuk

Toolkit ini juga berfungsi sebagai kerangka kerja bagi pengguna untuk mengimplementasikan dan menguji model pembelajaran mesin AUTOML atau grafik mereka sendiri.

Instalasi

Persyaratan

Pastikan Anda memenuhi persyaratan berikut sebelum menginstal Autogl.

Python> = 3.6.0
Pytorch (> = 1.6.0)
Lihat https://pytorch.org/ untuk instalasi.
Backend pustaka grafik
Anda akan membutuhkan Pytorch Geometric (PYG) atau Deep Graph Library (DGL) sebagai backend. Anda dapat memilih backend berikut di sini jika Anda menginstal keduanya.
3.1 Pytorch Geometric (> = 1.7.0)
Lihat https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/ untuk instalasi.
3.2 pustaka grafik dalam (> = 0.7.0)
Lihat https://dgl.ai/ untuk instalasi.

Instalasi

Instal dari Pip

Jalankan perintah berikut untuk menginstal paket ini melalui pip .

 pip install autogl

Instal dari sumber

Jalankan perintah berikut untuk menginstal paket ini dari sumber.

 git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install

Instal untuk pengembangan

Jika Anda adalah pengembang proyek Autogl, silakan gunakan perintah berikut untuk membuat tautan lunak, maka Anda dapat memodifikasi paket lokal tanpa menginstalnya lagi.

 pip install -e .

Dokumentasi

Silakan merujuk ke dokumentasi kami untuk melihat dokumentasi terperinci.

Anda juga dapat membuat dokumentasi secara lokal. Pertama, silakan instal sphinx dan sphinx-rtd-tema:

 pip install -U Sphinx
pip install sphinx-rtd-theme

Kemudian, buat dokumentasi HTML dengan:

 cd docs
make clean && make html

Dokumentasi akan secara otomatis dihasilkan di bawah docs/_build/html

Mengutip

Harap kutip kertas kami sebagai berikut jika Anda menemukan kode kami berguna:

 @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}
}

Anda juga dapat menemukan makalah survei kami bermanfaat:

 @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}
}