pytorch_geometric_temporal下载pytorch_geometric

pytorch_geometric_temporal

Python

vironment and installation

下载

文档|外部资源|数据集

pytorch几何颞时间是Pytorch几何的时间（动态）扩展库。

该库由各种发表的研究论文中的各种动态和时间几何深度学习，嵌入和时空回归方法组成。此外，它带有易于使用的数据集加载程序，火车测试分离器以及用于动态和时间图的时间snaphot迭代器。该框架自然提供GPU支持。它还带有来自流行点预测，共享经济，能源生产和网络交通管理领域的许多基准数据集。最后，您还可以创建自己的数据集。

包装与Pytorch Lightning很好地接口，该闪电允许在CPU，单个GPU和多个开箱即用的训练中进行培训。请查看与Pytorch Lightning一起使用Pytorch几何颞的介绍性示例。

我们还为每个重复的模型和笔记本提供了详细的示例，并为注意力集书提供了详细的示例。

案例研究教程

我们在文档中提供了深入的案例研究教程，每个教程涵盖了Pytorch几何时间的功能。

增量培训：流行病学预测案例研究

累积培训：网络流量管理案例研究

引用

如果您发现pytorch几何时间和新数据集对您的研究有用，请考虑添加以下引用：

 @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 } ,
}

一个简单的例子

pytorch几何暂时性使实现动态和时间图神经网络非常容易 - 请参阅随附的教程。例如，这是实现具有两个连续的图形卷积GRU单元和线性层的复发图卷积网络所需的全部内容：

 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 )