pytorch_cluster下载pytorch_cluster源代码下载

pytorch_cluster

Python

1.6.3

下载

Pytorch群集

该软件包由一个小型扩展库组成，该库具有高度优化的图形群集算法，用于Pytorch。该软件包包括以下聚类算法：

Dhillon等人的Graclus 。：没有特征向量的加权图切割：多级方法（Pami 2007）
来自EG ，Simonovsky和Komodakis的Voxel Grid PORINGING ：卷积神经网络中的动态边缘条件过滤器（CVPR 2017）
迭代远距离采样，例如Qi等。：PointNet ++：在度量空间中的点集上的深层分层功能学习（NIPS 2017）
k-nn和半径图生成
基于最近点的聚类
来自EG ，Grover和Leskovec的随机步行采样：Node2Vec：网络的可扩展功能学习（KDD 2016）

所有包括在不同数据类型上的操作工作，并针对CPU和GPU实施。

安装

Anaconda

更新：您现在可以通过pytorch-cluster安装所有主要OS/Pytorch/CUDA组合？鉴于您安装了pytorch >= 1.8.0 ，只需运行

 conda install pytorch-cluster -c pyg

二进制

或者，我们为所有主要的OS/Pytorch/CUDA组合提供PIP轮毂，请参见此处。

Pytorch 2.5

要安装Pytorch 2.5.0的二进制文件，只需运行

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

${CUDA}应取代cpu ， cu118 ， cu121或cu124 ，具体取决于您的pytorch安装。

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
视窗	✅	✅	✅	✅
macos	✅

Pytorch 2.4

要安装Pytorch 2.4.0的二进制文件，只需运行

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

${CUDA}应取代cpu ， cu118 ， cu121或cu124 ，具体取决于您的pytorch安装。

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
视窗	✅	✅	✅	✅
macos	✅

Note: Binaries of older versions are also provided for 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 1.12.0/1.12.1，Pytorch 1.13.0/1.13.1，Pytorch 2.0.0/2.0.1，Pytorch 2.1.0/2.1.1.1/2.1.2，Pytorch 2.2.0/2.2.1.2.1.2.1/2.2.2，以及Pytorch 2.3.0/2.3.0/2.3.0/2.3.1/2.3.1（遵循同一过程）。对于较旧的版本，您需要明确指定最新的支持版本号，或通过pip install --no-index安装，以防止源头安装手动安装。您可以在此处查找最新支持的版本号。

来自来源

确保安装了至少Pytorch 1.4.0，并验证cuda/bin and cuda/include分别在您的$PATH和$CPATH中，例如：

 $ 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:...

然后运行：

 pip install torch-cluster

当在没有NVIDIA驱动程序的Docker容器中运行时，Pytorch需要评估计算功能，并且可能会失败。在这种情况下，请确保通过TORCH_CUDA_ARCH_LIST设置计算功能，例如：

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

功能

graclus

挑选一个未标记的顶点并将其与未标记的邻居匹配的贪婪聚类算法（最大化其边缘重量）。 GPU算法改编自Fagginger Auer和Bisseling：用于贪婪图匹配的GPU算法（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

一种聚类算法，该算法在点云上覆盖了用户定义大小的常规网格，并将所有点簇在体voxel中。

 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])

远处采样

采样算法，迭代地对其剩余点进行了最远的点进行采样。

 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

计算图表到最接近的k点。

args：

x （张量） ：节点特征形状的矩阵[N, F] 。
k （int） ：邻居的数量。
批处理（longTensor，可选） ：形状[N]的批处理向量，将每个节点分配给一个特定示例。 batch需要分类。（默认： None ）
循环（bool，可选） ：如果为True ，则图将包含自动浮动。（默认： False ）
流（字符串，可选） ：与消息传递结合使用时的流向（ "source_to_target"或"target_to_source" ）。（默认： "source_to_target" ）
余弦（布尔，可选） ：如果为True ，将使用余弦距离而不是欧几里得距离来查找最近的邻居。（默认： False ）
NUM_WORKERS （INT） ：用于计算的工人数量。如果batch不是None ，则没有任何作用，或者输入位于GPU上。（默认： 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]])

半径图

计算给定距离内所有点的图形边缘。

args：

x （张量） ：节点特征形状的矩阵[N, F] 。
R （浮动） ：半径。
批处理（longTensor，可选） ：形状[N]的批处理向量，将每个节点分配给一个特定示例。 batch需要分类。（默认： None ）
循环（bool，可选） ：如果为True ，则图将包含自动浮动。（默认： False ）
max_num_neighbors （int，可选） ：每个元素返回的最大邻居数。如果实际邻居的数量大于max_num_neighbors ，则随机选择返回的邻居。（默认： 32 ）
流（字符串，可选） ：与消息传递结合使用时的流向（ "source_to_target"或"target_to_source" ）。（默认： "source_to_target" ）
NUM_WORKERS （INT） ：用于计算的工人数量。如果batch不是None ，则没有任何作用，或者输入位于GPU上。（默认： 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]])

随机漫步采样

样本从所有节点索引中的所有节点start中的随机walk_length步道(row, col)给出的图中的所有节点索引。

 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]])

运行测试

 pytest

C ++ API

torch-cluster还提供了一个C ++ API，其中包含C ++等效的Python模型。

 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

展开

附加信息