pytorch_geometric_temporal загрузка - pytorch_geometric_temporal исходный код скачать

pytorch_geometric_temporal

Питон

vironment and installation

Скачать

Документация | Внешние ресурсы | Наборы данных

Pytorch Geometric Temperal - это временная (динамическая) библиотека расширения для геометрического Pytorch.

Библиотека состоит из различных методов динамического и временного геометрического глубокого обучения, встраивания и пространственно-временной регрессии из различных опубликованных исследовательских работ. Более того, он поставляется с простым в использовании загрузчика набора данных, сплиттером поезда и височным снофотом для динамических и временных графиков. Структура, естественно, обеспечивает поддержку GPU. Он также поставляется с рядом контрольных наборов данных от эпидемологического прогнозирования, обмена экономикой, производством энергии и доменов управления веб -трафиками. Наконец, вы также можете создать свои собственные наборы данных.

Пакет хорошо взаимодействует с Pytorch Lightning, которая позволяет тренировать процессоров, однократные и множественные графические процессоры вне коробки. Взгляните на этот вступительный пример использования геометрического висота Pytorch с Pytorch Lightning.

Мы также предоставляем подробные примеры для каждой из повторяющихся моделей и ноутбуков для основанных на внимании.

Тематические учебники

Мы предоставляем углубленные учебные пособия по тематическому исследованию в документации, каждая охватывает аспект функциональности Geometric Temporal Pytorch.

Покрементное обучение : эпидемиологическое число показателей прогнозирования

Кумулятивное обучение : тематическое исследование по управлению веб -трафиками

Цитируя

Если вы обнаружите, что в вашем исследовании полезные геометрические височные и новые наборы данных, пожалуйста, рассмотрите возможность добавления следующей цитаты:

 @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 } ,
}

Простой пример

Pytorch Geometric Temporal делает довольно простой внедрение динамических и височных графических сетей - см. Прилагаемое учебное пособие. Например, это все, что нужно для реализации рецидивирующей графической сверточной сети с двумя последовательными ячейками GRU и линейным слоем: линейный слой:

 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 )

Методы включены

Подробно, были реализованы следующие нейронные сети временного графика.

Повторяющиеся графические свертки

Dcrnn от Li et al. : Диффузионная сверточная повторяющаяся нейронная сеть: прогнозирование трафика, управляемого данными (ICLR 2018)
Gconvgru из Seo et al. : Структурное моделирование последовательности с графическими сверточными рецидивирующими сетями (Iconip 2018)
Gconvlstm из Seo et al. : Структурное моделирование последовательности с графическими сверточными рецидивирующими сетями (Iconip 2018)
GC-LSTM от Chen et al. : GC-LSTM: Графическая свертка встроенного LSTM для динамического прогнозирования ссылок (Corr 2018)
LRGCN от Li et al. : Прогнозирование сбоя пути на графиках развития времени (KDD 2019)
Dygrencoder из Taheri et al. : Научиться представлять эволюцию динамических графиков с повторяющимися моделями
Evolvegcnh из Pareja et al. : EvolveGcn: развивающиеся графические сверточные сети для динамических графиков
Evolvegcno из Pareja et al. : EvolveGcn: развивающиеся графические сверточные сети для динамических графиков
T-GCN от Zhao et al. : T-gcn: временная цифровая сверточная сеть для прогнозирования трафика
A3T-GCN от Zhu et al. : A3t-gcn: Внимательное височное графическое графическое сверточная сеть для прогнозирования трафика
Agcrn от Bai et al. : Адаптивная графическая сверточная рецидивирующая сеть для прогнозирования трафика (Neurips 2020)
MPNN LSTM из Panagopoulos et al. : Трансфер График Нейронные сети для прогнозирования пандемии (AAAI 2021)

Внимание агрегированных височных графиков

Stgcn от Yu et al. : Spatio-временный график сверточные сети: глубокая структура обучения для прогнозирования трафика (IJCAI 2018)
ASTGCN от Guo et al. : Основанный на внимании пространственные временные графические сверточные сети для прогнозирования потока трафика (AAAI 2019)
MSTGCN от Guo et al. : Основанный на внимании пространственные временные графические сверточные сети для прогнозирования потока трафика (AAAI 2019)
Gman из Zheng et al. : GMAN: Графическая сеть многоэтажно-привлекательности для прогнозирования трафика (AAAI 2020)
Mtgnn от Wu et al. : Соединение точек: многомерное прогнозирование временных рядов с помощью нейронных сетей графов (KDD 2020)
2S-AGCN из Shi et al. : Адаптивные графические сети с двумя потоками для распознавания действий на основе скелетов (CVPR 2019)
Dnntsp от Yu et al. : Прогнозирование временных наборов с глубокими нейронными сетями (KDD 2020)

Вспомогательный график свертывания

ThemeralConv от Yu et al. : Spatio-временный график сверточные сети: глубокая структура обучения для прогнозирования трафика (IJCAI 2018)
DConv от Li et al. : Диффузионная сверточная повторяющаяся нейронная сеть: прогнозирование трафика, управляемого данными (ICLR 2018)
Chebconvattuction от Guo et al. : Основанный на внимании пространственные временные графические сверточные сети для прогнозирования потока трафика (AAAI 2019)
Avwgcn от Bai et al. : Адаптивная графическая сверточная рецидивирующая сеть для прогнозирования трафика (Neurips 2020)

Перейдите к нашей документации, чтобы узнать больше об установке, создании наборов данных и полный список реализованных методов и доступных наборов данных. Для быстрого начала ознакомьтесь с примерами в examples/ каталоге.

Если вы заметили что -то неожиданное, пожалуйста, откройте проблему. Если вам не хватает конкретного метода, не стесняйтесь открывать запрос на функцию.

Установка

Сначала установите Pytorch и Pytorch-Geometric, а затем запустите