pytorch_geometric_temporal ดาวน์โหลด - pytorch_geometric_temporal ซอร์สโค้ดดาวน์โหลดดาวน์โหลด

pytorch_geometric_temporal

หลาม

vironment and installation

ดาวน์โหลด

เอกสาร ทรัพยากรภายนอก ชุดข้อมูล

Pytorch Geometric Temporal เป็นไลบรารีส่วนขยายชั่วคราว (แบบไดนามิก) สำหรับ Pytorch Geometric

ห้องสมุดประกอบด้วยการเรียนรู้ทางเรขาคณิตแบบไดนามิกและทางโลกที่หลากหลายการฝังและวิธีการถดถอยเชิงพื้นที่-ชั่วคราวจากเอกสารการวิจัยที่ตีพิมพ์ที่หลากหลาย ยิ่งไปกว่านั้นมันมาพร้อมกับตัวโหลดชุดข้อมูลที่ใช้งานง่ายตัวแยกการทดสอบรถไฟและตัววนซ้ำ Snaphot ชั่วคราวสำหรับกราฟแบบไดนามิกและชั่วคราว เฟรมเวิร์กตามธรรมชาติให้การสนับสนุน GPU นอกจากนี้ยังมาพร้อมกับชุดข้อมูลมาตรฐานจำนวนมากจากการพยากรณ์โรคระบาดการแบ่งปันเศรษฐกิจการผลิตพลังงานและโดเมนการจัดการการจราจรบนเว็บ ในที่สุดคุณยังสามารถสร้างชุดข้อมูลของคุณเอง

แพ็คเกจอินเทอร์เฟซได้ดีกับ Pytorch Lightning ซึ่งช่วยให้การฝึกอบรมเกี่ยวกับ CPU, GPU แบบเดี่ยวและหลายช่องว่าง ลองดูตัวอย่างเบื้องต้นของการใช้ Pytorch Geometric Temporal กับ Pytorch Lightning

นอกจากนี้เรายังให้ตัวอย่างโดยละเอียดสำหรับแต่ละรุ่นและสมุดบันทึกที่เกิดขึ้นใหม่สำหรับรุ่นที่ได้รับความสนใจ

แบบฝึกหัดกรณีศึกษา

เราจัดทำแบบฝึกหัดกรณีศึกษาเชิงลึกในเอกสารแต่ละรายการครอบคลุมแง่มุมของการทำงานของ Pytorch Geometric Temporal

การฝึกอบรมที่เพิ่มขึ้น : กรณีศึกษาการพยากรณ์ระบาดวิทยา

การฝึกอบรมแบบสะสม : กรณีศึกษาการจัดการการจราจรบนเว็บ

การอ้าง

หากคุณพบ Pytorch Geometric Temporal และชุดข้อมูลใหม่ที่มีประโยชน์ในการวิจัยของคุณโปรดพิจารณาเพิ่มการอ้างอิงต่อไปนี้:

 @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 } ,
}

ตัวอย่างง่ายๆ

Pytorch Geometric Temporal ทำให้การใช้งานเครือข่ายประสาทแบบไดนามิกและกราฟชั่วคราวค่อนข้างง่าย - ดูบทช่วยสอนประกอบ ตัวอย่างเช่นนี่คือทั้งหมดที่ใช้ในการใช้งานเครือข่ายกราฟที่เกิดขึ้นอีกครั้งกับเซลล์กราฟกรูกราฟที่ต่อเนื่องกันสองเซลล์และชั้นเชิงเส้น:

 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 )

วิธีการรวม

ในรายละเอียดเครือข่ายประสาทของกราฟชั่วคราวต่อไปนี้ได้ถูกนำไปใช้

กราฟที่เกิดขึ้นซ้ำ ๆ

dcrnn จาก Li et al : เครือข่ายประสาทที่เกิดขึ้นซ้ำ ๆ : การพยากรณ์การรับส่งข้อมูลที่ขับเคลื่อนด้วยข้อมูล (ICLR 2018)
Gconvgru จาก Seo และคณะ : การสร้างแบบจำลองลำดับที่มีโครงสร้างด้วยเครือข่ายการเกิดซ้ำของกราฟ (ICONIP 2018)
gconvlstm จาก Seo และคณะ : การสร้างแบบจำลองลำดับที่มีโครงสร้างด้วยเครือข่ายการเกิดซ้ำของกราฟ (ICONIP 2018)
GC-LSTM จาก Chen et al. : GC-LSTM: กราฟ Convolution Embedded LSTM สำหรับการทำนายการเชื่อมโยงแบบไดนามิก (Corr 2018)
LRGCN จาก Li et al : การทำนายความล้มเหลวของเส้นทางในกราฟการพัฒนาเวลา (KDD 2019)
Dygrencoder จาก Taheri และคณะ : การเรียนรู้ที่จะเป็นตัวแทนวิวัฒนาการของกราฟไดนามิกด้วยโมเดลที่เกิดขึ้นซ้ำ
Evolvegcnh จาก Pareja และคณะ : Evolvegcn: การพัฒนากราฟเครือข่าย convolutional สำหรับกราฟไดนามิก
Evolvegcno จาก Pareja และคณะ : Evolvegcn: การพัฒนากราฟเครือข่าย convolutional สำหรับกราฟไดนามิก
T-GCN จาก Zhao และคณะ : T-GCN: เครือข่ายกราฟกราฟชั่วคราวสำหรับการทำนายการจราจร
A3T-GCN จาก Zhu และคณะ : A3T-GCN: ความสนใจกราฟกราฟ convolutional เครือข่ายสำหรับการพยากรณ์การรับส่งข้อมูล
agcrn จาก Bai et al. : เครือข่ายการเกิดซ้ำกราฟแบบปรับตัวสำหรับการพยากรณ์การจราจร (Neurips 2020)
MPNN LSTM จาก Panagopoulos และคณะ : โอนเครือข่ายประสาทกราฟสำหรับการพยากรณ์โรคระบาด (AAAI 2021)

ความสนใจโดยรวมกราฟชั่วคราว convolutions

STGCN จาก Yu และคณะ : SPATIO-TEMPORAL กราฟเครือข่าย Convolutional: กรอบการเรียนรู้ลึกสำหรับการพยากรณ์การจราจร (IJCAI 2018)
ASTGCN จาก Guo และคณะ : เครือข่ายกราฟอวกาศเชิงพื้นที่ตามความสนใจสำหรับการพยากรณ์การไหลของการจราจร (AAAI 2019)
MSTGCN จาก Guo และคณะ : เครือข่ายกราฟอวกาศเชิงพื้นที่ตามความสนใจสำหรับการพยากรณ์การไหลของการจราจร (AAAI 2019)
gman จากเจิ้ง และคณะ : GMAN: เครือข่ายกราฟหลายตัวสำหรับการทำนายการจราจร (AAAI 2020)
mtgnn จาก Wu et al. : การเชื่อมต่อจุด: การพยากรณ์อนุกรมเวลาหลายตัวแปรกับเครือข่ายประสาทกราฟ (KDD 2020)
2S-AGCN จาก Shi และคณะ : เครือข่ายการปรับตัวของกราฟแบบปรับตัวสองสตรีมสำหรับการรับรู้แอ็คชั่นตามโครงกระดูก (CVPR 2019)
DNNTSP จาก Yu et al. : การทำนายชุดชั่วคราวด้วยเครือข่ายประสาทลึก (KDD 2020)

กราฟเสริม

TemporalAlconv จาก Yu et al. : SPATIO-TEMPORAL กราฟเครือข่าย Convolutional: กรอบการเรียนรู้ลึกสำหรับการพยากรณ์การจราจร (IJCAI 2018)
DCONV จาก Li et al. : เครือข่ายประสาทที่เกิดขึ้นซ้ำ ๆ : การพยากรณ์การรับส่งข้อมูลที่ขับเคลื่อนด้วยข้อมูล (ICLR 2018)
Chebconvattention จาก Guo และคณะ : เครือข่ายกราฟอวกาศเชิงพื้นที่ตามความสนใจสำหรับการพยากรณ์การไหลของการจราจร (AAAI 2019)
avwgcn จาก Bai et al. : เครือข่ายการเกิดซ้ำกราฟแบบปรับตัวสำหรับการพยากรณ์การจราจร (Neurips 2020)

ตรงไปที่เอกสารของเราเพื่อหาข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้งการสร้างชุดข้อมูลและรายการวิธีการทั้งหมดของวิธีการที่ใช้งานและชุดข้อมูลที่มีอยู่ สำหรับการเริ่มต้นอย่างรวดเร็วลองดูตัวอย่างใน examples/ ไดเรกทอรี

หากคุณสังเกตเห็นสิ่งที่ไม่คาดคิดโปรดเปิดปัญหา หากคุณขาดวิธีการเฉพาะอย่าลังเลที่จะเปิดคำขอคุณสมบัติ

การติดตั้ง

แรกติดตั้ง pytorch และ pytorch-geometric จากนั้นเรียกใช้