deep_gcns_torch скачать - deep_gcns_torch исходный код скачать

deep_gcns_torch

Питон

1.0.0

Скачать

DeepGCNS: Могут ли GCN пройти так же глубоко, как CNN?

В этой работе мы представляем новые способы успешной тренировки очень глубоких GCN. Мы заимствуем концепции из CNN, в основном остаточные/плотные соединения и расширенные свертывания и адаптируем их к архитектурам GCN. Благодаря обширным экспериментам мы показываем положительный эффект этих глубоких рамок GCN.

[Project] [Paper] [слайды] [код tensorflow] [код pytorch]

Обзор

Мы проводим обширные эксперименты, чтобы показать, как различные компоненты (#layers, #filters, #nearest соседи, дилатация и т. Д.) DeepGCNs эффект. Мы также проводим исследования абляции по различным типам глубоких GCN (MRGCN, EDGECONV, GRAPHSAGE и GIN).

Как тренировать, проверять и оценивать наши модели

Пожалуйста, посмотрите детали в Readme.md каждой задачи внутри папки examples . Там можно найти всю информацию о коде, данных и предварительных моделях.

DeepGcns (ICCV'2019, TPAMI'2021): S3DIS, PartNet, ModelNet40, PPI
Deepergcn (arxiv'2020): Ogb
GNN'1000 (ICML'2021): OGB

Кодовая архитектура

 .
├── 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
└── ...

Цитирование

Пожалуйста, цитируйте нашу газету, если вы найдете что -нибудь полезное,

 @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}
}