deep_gcns_torch ดาวน์โหลด - deep_gcns_torch ซอร์สโค้ดดาวน์โหลดดาวน์โหลด

deep_gcns_torch

หลาม

1.0.0

ดาวน์โหลด

DeepGCNS: GCNs สามารถลึกลงไปเท่า CNNS ได้หรือไม่?

ในงานนี้เรานำเสนอวิธีการใหม่ ๆ ในการฝึกอบรม GCN ที่ลึกมาก เรายืมแนวคิดจาก CNNs ส่วนใหญ่การเชื่อมต่อที่เหลือ/หนาแน่นและการขยายตัวของการขยายและปรับให้เข้ากับสถาปัตยกรรม GCN ผ่านการทดลองอย่างกว้างขวางเราแสดงผลในเชิงบวกของกรอบ GCN ลึกเหล่านี้

[โครงการ] [กระดาษ] [สไลด์] [รหัส Tensorflow] [รหัส pytorch]

ภาพรวม

เราทำการทดลองอย่างกว้างขวางเพื่อแสดงว่าส่วนประกอบที่แตกต่างกัน (#Layers, #Filters, #Nearest Neighbour, การขยาย ฯลฯ ) เอฟเฟกต์ DeepGCNs นอกจากนี้เรายังให้การศึกษาการระเหยเกี่ยวกับ GCN แบบลึกประเภทต่าง ๆ (MRGCN, Edgeconv, กราฟและจิน)

วิธีฝึกอบรมทดสอบและประเมินแบบจำลองของเรา

โปรดดูรายละเอียดใน Readme.md ของแต่ละงานภายในโฟลเดอร์ examples ข้อมูลทั้งหมดของรหัสข้อมูลและโมเดลที่ผ่านการฝึกอบรมสามารถพบได้ที่นั่น

Deepgcns (ICCV'2019, TPAMI'2021): S3DIS, PartNet, ModelNet40, PPI
Deepergcn (arxiv'2020): OGB
gnn'1000 (icml'2021): ogb

ข้อกำหนดที่แนะนำ

Python> = 3.7
pytorch> = 1.9.0
pytorch_geometric> = 1.6.0
OGB> = 1.3.1 ใช้สำหรับการทดลองในชุดข้อมูล OGB เท่านั้น
dgl> = 0.5.3 ใช้สำหรับ examples/ogb_eff/ogbn_arxiv_dgl

ติดตั้งสภาพแวดล้อมโดยการรัน:

 source deepgcn_env_install.sh

สถาปัตยกรรมรหัส

 .
├── 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
└── ...

การอ้างอิง

โปรดอ้างอิงกระดาษของเราหากคุณพบว่ามีประโยชน์อะไร

 @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}
}