Скачать pytorch_cluster - pytorch_cluster исходный код скачать

pytorch_cluster

Питон

1.6.3

Скачать

Pytorch Cluster

Этот пакет состоит из небольшой библиотеки расширения высоко оптимизированных алгоритмов кластера графиков для использования в Pytorch. Пакет состоит из следующих алгоритмов кластеризации:

Graclus из Dhillon et al. : Взвешенные среза графика без собственных векторов: многоуровневый подход (Pami 2007)
Объединение сетки Voxel от, например , Simonovsky и Komodakis: динамические фильтры, связанные с краями, в сверточных нейронных сетях на графиках (CVPR 2017)
Итеративная дальняя точка выборка от, например , Qi et al. : Pointnet ++: глубокое иерархическое обучение функции на наборах точек в метрическом пространстве (NIPS 2017)
Генерация графа K-NN и RADIUS
Кластеризация на основе ближайших точек
Случайная выборка ходьбы от, например , Grover и Leskovec: Node2VEC: масштабируемое обучение функций для сетей (KDD 2016)

Все включены операционные работы по различным типам данных и реализованы как для процессора, так и для графического процессора.

Установка

Анаконда

Обновление: теперь вы можете установить pytorch-cluster через Anaconda для всех основных комбинаций OS/Pytorch/CUDA? Учитывая, что у вас установлен pytorch >= 1.8.0 , просто запустите

 conda install pytorch-cluster -c pyg

Двоичные файлы

В качестве альтернативы мы предоставляем колеса PIP для всех основных комбинаций OS/Pytorch/CUDA, см. Здесь.

Pytorch 2.5

Чтобы установить двоичные файлы для Pytorch 2.5.0, просто запустите

 pip install torch-cluster -f https://data.pyg.org/whl/torch-2.5.0+${CUDA}.html

где ${CUDA} следует заменить либо cpu , cu118 , cu121 или cu124 в зависимости от вашей установки Pytorch.

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
Окна	✅	✅	✅	✅
macOS	✅

Pytorch 2.4

Чтобы установить двоичные файлы для Pytorch 2.4.0, просто запустите

 pip install torch-cluster -f https://data.pyg.org/whl/torch-2.4.0+${CUDA}.html

где ${CUDA} следует заменить либо cpu , cu118 , cu121 или cu124 в зависимости от вашей установки Pytorch.

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
Окна	✅	✅	✅	✅
macOS	✅

ПРИМЕЧАНИЕ: двоичные файлы более старых версий также представлены для Pytorch 1.4.0, Pytorch 1.5.0, Pytorch 1.6.0, Pytorch 1.7.0/1.7.1, Pytorch 1.8.0/1.8.1, Pytorch 1.9.0, Pytorch 1.10.0/1.10.1/1.10.2, Pytorch 1.11.0, Pytorch 1.12. Pytorch 1.13.0/1.13.1, Pytorch 2.0.0/2.0.1, Pytorch 2.1.0/2.1.1/2.1.2, Pytorch 2.2.0/2.2.1/2.2.2 и Pytorch 2.3.0/2.3.1 (следуя той же процедуре). Для более старых версий вам необходимо явно указать последний номер версии или установить через pip install --no-index чтобы предотвратить ручную установку из источника. Вы можете найти последний номер поддерживаемого версии здесь.

Из источника

Убедитесь, что по крайней мере Pytorch 1.4.0 установлен, и убедитесь, что cuda/bin и cuda/include находятся в вашем $PATH и $CPATH соответственно, например :

 $ python -c "import torch; print(torch.__version__)"
>>> 1.4.0

$ python -c "import torch; print(torch.__version__)"
>>> 1.1.0

$ echo $PATH
>>> /usr/local/cuda/bin:...

$ echo $CPATH
>>> /usr/local/cuda/include:...

Затем беги:

 pip install torch-cluster

При запуске в контейнере Docker без драйвера Nvidia Pytorch необходимо оценить возможности вычислений и может потерпеть неудачу. В этом случае убедитесь, что возможности вычисления устанавливаются через TORCH_CUDA_ARCH_LIST , например :

 export TORCH_CUDA_ARCH_LIST = "6.0 6.1 7.2+PTX 7.5+PTX"

Функции

Граклус

Жадный алгоритм кластеризации сбора безымянной вершины и сопоставления ее с одной соседей без опознавательных знаков (что максимизирует вес края). Алгоритм GPU адаптирован из Auer и Bisseling Fagginger Auer: алгоритм графического процессора для жадного сопоставления графиков (LNCS 2012)

 import torch
from torch_cluster import graclus_cluster

row = torch . tensor ([ 0 , 1 , 1 , 2 ])
col = torch . tensor ([ 1 , 0 , 2 , 1 ])
weight = torch . tensor ([ 1. , 1. , 1. , 1. ])  # Optional edge weights.

cluster = graclus_cluster ( row , col , weight )

 print(cluster)
tensor([0, 0, 1])

Voxelgrid

Алгоритм кластеризации, который накладывает обычную сетку пользовательского размера в облаке точек и кластеры все точки в вокселе.

 import torch
from torch_cluster import grid_cluster

pos = torch . tensor ([[ 0. , 0. ], [ 11. , 9. ], [ 2. , 8. ], [ 2. , 2. ], [ 8. , 3. ]])
size = torch . Tensor ([ 5 , 5 ])

cluster = grid_cluster ( pos , size )

 print(cluster)
tensor([0, 5, 3, 0, 1])

Дальная точка

Алгоритм отбора проб, который итеративно выбирает наиболее далекую точку в отношении остальных точек.

 import torch
from torch_cluster import fps

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
index = fps ( x , batch , ratio = 0.5 , random_start = False )

 print(index)
tensor([0, 3])

KNN-Graph

Вычисляет графические графики до ближайших K -точек.

Args:

x (тензор) : матрица функции узла формы [N, F] .
k (int) : количество соседей.
Партия (Longtensor, необязательно) : пакетный вектор формы [N] , который присваивает каждый узел конкретному примеру. batch должна быть отсортирована. (По умолчанию: None )
Loop (Bool, необязательно) : если True , график будет содержать самостоятельные петли. (По умолчанию: False )
Flow (String, необязательно) : направление потока при использовании в комбинации с передачей сообщений ( "source_to_target" или "target_to_source" ). (по умолчанию: "source_to_target" )
Косинус (логический, необязательный) : если True , будет использовать расстояние косинуса вместо евклидового расстояния, чтобы найти ближайших соседей. (По умолчанию: False )
num_workers (int) : количество работников для использования для вычислений. Не имеет никакого влияния в случае, если batch не является None , или вход лежит на графическом процессоре. (По умолчанию: 1 )

 import torch
from torch_cluster import knn_graph

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
edge_index = knn_graph ( x , k = 2 , batch = batch , loop = False )

 print(edge_index)
tensor([[1, 2, 0, 3, 0, 3, 1, 2],
        [0, 0, 1, 1, 2, 2, 3, 3]])

Радиус-граф

Вычисляет ребра графика во все точки на данном расстоянии.

Args:

x (тензор) : матрица функции узла формы [N, F] .
r (float) : радиус.
Партия (Longtensor, необязательно) : пакетный вектор формы [N] , который присваивает каждый узел конкретному примеру. batch должна быть отсортирована. (По умолчанию: None )
Loop (Bool, необязательно) : если True , график будет содержать самостоятельные петли. (По умолчанию: False )
max_num_neighbors (int, необязательно) : максимальное количество соседей для возврата для каждого элемента. Если количество фактических соседей больше, чем max_num_neighbors , возвращаемых соседей выбираются случайным образом. (по умолчанию: 32 )
Flow (String, необязательно) : направление потока при использовании в комбинации с передачей сообщений ( "source_to_target" или "target_to_source" ). (по умолчанию: "source_to_target" )
num_workers (int) : количество работников для использования для вычислений. Не имеет никакого влияния в случае, если batch не является None , или вход лежит на графическом процессоре. (По умолчанию: 1 )

 import torch
from torch_cluster import radius_graph

x = torch . tensor ([[ - 1. , - 1. ], [ - 1. , 1. ], [ 1. , - 1. ], [ 1. , 1. ]])
batch = torch . tensor ([ 0 , 0 , 0 , 0 ])
edge_index = radius_graph ( x , r = 2.5 , batch = batch , loop = False )

 print(edge_index)
tensor([[1, 2, 0, 3, 0, 3, 1, 2],
        [0, 0, 1, 1, 2, 2, 3, 3]])

Ближайший

Кластеры точки в X вместе, которые ближайшие к данной точке запроса в Y. batch_{x,y} векторы должны быть отсортированы.

 import torch
from torch_cluster import nearest

x = torch . Tensor ([[ - 1 , - 1 ], [ - 1 , 1 ], [ 1 , - 1 ], [ 1 , 1 ]])
batch_x = torch . tensor ([ 0 , 0 , 0 , 0 ])
y = torch . Tensor ([[ - 1 , 0 ], [ 1 , 0 ]])
batch_y = torch . tensor ([ 0 , 0 ])
cluster = nearest ( x , y , batch_x , batch_y )

 print(cluster)
tensor([0, 0, 1, 1])

Случайный составок

Образцы случайные прогулки длины walk_length от всех индексов узлов в start на графике, данном (row, col) .

 import torch
from torch_cluster import random_walk

row = torch . tensor ([ 0 , 1 , 1 , 1 , 2 , 2 , 3 , 3 , 4 , 4 ])
col = torch . tensor ([ 1 , 0 , 2 , 3 , 1 , 4 , 1 , 4 , 2 , 3 ])
start = torch . tensor ([ 0 , 1 , 2 , 3 , 4 ])

walk = random_walk ( row , col , start , walk_length = 3 )

 print(walk)
tensor([[0, 1, 2, 4],
        [1, 3, 4, 2],
        [2, 4, 2, 1],
        [3, 4, 2, 4],
        [4, 3, 1, 0]])

Заводящие тесты

 pytest

C ++ API

torch-cluster также предлагает API C ++, который содержит эквивалент C ++ моделей Python.

 export Torch_DIR=`python -c 'import torch;print(torch.utils.cmake_prefix_path)'`
mkdir build
cd build
# Add -DWITH_CUDA=on support for the CUDA if needed
cmake ..
make
make install

Расширять

Дополнительная информация