deep_gcns_torch Download - deep_gcns_torch Download de código fonte

deep_gcns_torch

Pitão

1.0.0

Baixar

DeepGCNS: Os GCNs podem ir tão profundos quanto os CNNs?

Neste trabalho, apresentamos novas maneiras de treinar com sucesso GCNs muito profundos. Emprestamos conceitos de CNNs, principalmente conexões residuais/densas e convoluções dilatadas, e as adaptam às arquiteturas da GCN. Através de extensos experimentos, mostramos o efeito positivo dessas estruturas profundas do GCN.

[Projeto] [Paper] [Slides] [Código Tensorflow] [Código Pytorch]

Visão geral

Fazemos experimentos extensos para mostrar como diferentes componentes (#Layers, #Filters, #nearest vizinhos, dilatação, etc.) afetam DeepGCNs . Também fornecemos estudos de ablação sobre diferentes tipos de GCNs profundos (MRGCN, EDGECONV, GRAPHSAGE e GIN).

Como treinar, testar e avaliar nossos modelos

Veja os detalhes no Readme.md de cada tarefa na pasta examples . Todas as informações de código, dados e modelos pré -teriados podem ser encontrados lá.

DeepGCNs (ICCV'2019, TPAMI'2021): S3DIS, Partnet, ModelNet40, PPI
Deepergcn (Arxiv'2020): OGB
GNN'1000 (ICML'2021): OGB

Requisitos recomendados

Python> = 3.7
Pytorch> = 1.9.0
pytorch_geométrico> = 1.6.0
OGB> = 1.3.1 usado apenas para experimentos nos conjuntos de dados OGB
dgl> = 0.5.3 usado apenas para os examples/ogb_eff/ogbn_arxiv_dgl

Instale o Enviroment by Runing:

 source deepgcn_env_install.sh

Arquitetura de código

 .
├── 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
└── ...

Citação

Por favor, cite nosso artigo se encontrar algo útil,

 @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}
}