AutoGL
v0.4.0
Китайское введение
Automl Framework & Toolkit для машинного обучения на графиках.
Активно находится в разработке @thumnlab
Не стесняйтесь открывать проблемы или свяжитесь с нами по адресу [email protected], если у вас есть какие -либо комментарии или предложения!
model модуля теперь поддерживает раздела до двух дополнительных подмодулей с именем encoder и decoder . Под отделенным дизайном один encoder может использоваться для решения всех видов задач.AutoGL разработан для исследователей и разработчиков, чтобы легко и быстро провести автомат на наборах данных и задачи. Смотрите нашу документацию для подробной информации!
Рабочий процесс ниже показывает общую структуру AutoGL.
AutoGL использует datasets для поддержания наборов данных для машинного обучения на основе графиков, который основан на наборе данных в геометрической или глубокой графической библиотеке Pytorch с некоторыми функциями, добавленными для поддержки платформы Auto Solver.
Различные задачи машинного обучения на основе графиков обрабатываются различными AutoGL solvers , которые используют пять основных модулей для автоматического решения задачи, а именно auto feature engineer , neural architecture search , auto model , hyperparameter optimization и auto ensemble .
В настоящее время следующие алгоритмы поддерживаются в AutoGL:
| Функциональный инженер | Модель | НАС | HPO | Ансамбль |
| Генераторы Графли Eigengnn более ... Селекторы SefilterConstant GBDT График Netlsd NxaverageClustering более ... | Homo Encoders Gcnencoder Гатенкодер SageEncoder Гинонкодер Декодеры Logsoftmaxdecoder DotProductDecoder Sumpoolmlpdecoder JKUpOoldeCoder | Алгоритмы Случайный Rl Эволюция Гассо более ... Пробелы SinglePath График Autoattend более ... Оценки OneShot Царапать | Сетка Случайный Отжиг Байеса Прозрачный Mocames Квази случайно TPE Автон | Голосование Укладка |
Этот инструментарий также служит основой для пользователей для реализации и тестирования своих собственных моделей машинного обучения на основе Automl или на графиках.
Пожалуйста, убедитесь, что вы выполнили следующие требования перед установкой AutoGL.
Python> = 3,6,0
Pytorch (> = 1,6,0)
Смотрите https://pytorch.org/ для установки.
График библиотека бэкэнд
Вам понадобится либо геометрическая (PYG), либо библиотека Deep Graph (DGL) в качестве бэкэнда. Вы можете выбрать здесь следующую бэкэнд, если установите оба.
3.1 Pytorch Geometric (> = 1,7,0)
См. Https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/ для установки.
3.2 Библиотека глубоких графиков (> = 0,7,0)
Смотрите https://dgl.ai/ для установки.
Запустите следующую команду, чтобы установить этот пакет через pip .
pip install autogl
Запустите следующую команду, чтобы установить этот пакет из источника.
git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install
Если вы являетесь разработчиком проекта AutoGL, используйте следующую команду для создания мягкой ссылки, то вы можете изменить локальный пакет, не установив их снова.
pip install -e .
Пожалуйста, обратитесь к нашей документации, чтобы увидеть подробную документацию.
Вы также можете сделать документацию локально. Во-первых, установите Sphinx и Sphinx-Rtd-Theme:
pip install -U Sphinx
pip install sphinx-rtd-theme
Затем сделайте HTML -документацию:
cd docs
make clean && make html
Документация будет автоматически сгенерирована в соответствии с docs/_build/html
Пожалуйста, упоминайте нашу статью следующим образом, если вы найдете наш код полезным:
@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}
}
Вы также можете найти нашу документацию полезным:
@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}
}
Мы следим за лицензией Apache по всей кодовой базе от V0.2.
