pytorch_cluster下載pytorch_cluster源代碼下載

pytorch_cluster

Python

1.6.3

下載

Pytorch群集

該軟件包由一個小型擴展庫組成，該庫具有高度優化的圖形群集算法，用於Pytorch。該軟件包包括以下聚類算法：

Dhillon等人的Graclus 。：沒有特徵向量的加權圖切割：多級方法（Pami 2007）
來自EG ，Simonovsky和Komodakis的Voxel Grid PORINGING ：卷積神經網絡中的動態邊緣條件過濾器（CVPR 2017）
迭代遠距離採樣，例如Qi等。：PointNet ++：在度量空間中的點集上的深層分層功能學習（NIPS 2017）
k-nn和半徑圖生成
基於最近點的聚類
來自EG ，Grover和Leskovec的隨機步行採樣：Node2Vec：網絡的可擴展功能學習（KDD 2016）

所有包括在不同數據類型上的操作工作，並針對CPU和GPU實施。

安裝

Anaconda

更新：您現在可以通過pytorch-cluster安裝所有主要OS/Pytorch/CUDA組合？鑑於您安裝了pytorch >= 1.8.0 ，只需運行

 conda install pytorch-cluster -c pyg

二進制

或者，我們為所有主要的OS/Pytorch/CUDA組合提供PIP輪轂，請參見此處。

Pytorch 2.5

要安裝Pytorch 2.5.0的二進製文件，只需運行

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

${CUDA}應取代cpu ， cu118 ， cu121或cu124 ，具體取決於您的pytorch安裝。

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

Pytorch 2.4

要安裝Pytorch 2.4.0的二進製文件，只需運行

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

${CUDA}應取代cpu ， cu118 ， cu121或cu124 ，具體取決於您的pytorch安裝。

	`cpu`	`cu118`	`cu121`	`cu124`
Linux	✅	✅	✅	✅
視窗	✅	✅	✅	✅
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（遵循同一過程）。對於較舊的版本，您需要明確指定最新的支持版本號，或通過pip install --no-index安裝，以防止源頭安裝手動安裝。您可以在此處查找最新支持的版本號。

來自來源

確保安裝了至少Pytorch 1.4.0，並驗證cuda/bin and cuda/include分別在您的$PATH和$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:...

然後運行：

 pip install torch-cluster

當在沒有NVIDIA驅動程序的Docker容器中運行時，Pytorch需要評估計算功能，並且可能會失敗。在這種情況下，請確保通過TORCH_CUDA_ARCH_LIST設置計算功能，例如：

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

功能

graclus

挑選一個未標記的頂點並將其與未標記的鄰居匹配的貪婪聚類算法（最大化其邊緣重量）。 GPU算法改編自Fagginger Auer和Bisseling：用於貪婪圖匹配的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

一種聚類算法，該算法在點雲上覆蓋了用戶定義大小的常規網格，並將所有點簇在體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])

遠處採樣

採樣算法，迭代地對其剩餘點進行了最遠的點進行採樣。

 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

計算圖表到最接近的k點。

args：

x （張量） ：節點特徵形狀的矩陣[N, F] 。
k （int） ：鄰居的數量。
批處理（longTensor，可選） ：形狀[N]的批處理向量，將每個節點分配給一個特定示例。 batch需要分類。（默認： None ）
循環（bool，可選） ：如果為True ，則圖將包含自動浮動。（默認： False ）
流（字符串，可選） ：與消息傳遞結合使用時的流向（ "source_to_target"或"target_to_source" ）。（默認： "source_to_target" ）
餘弦（布爾，可選） ：如果為True ，將使用餘弦距離而不是歐幾里得距離來查找最近的鄰居。（默認： False ）
NUM_WORKERS （INT） ：用於計算的工人數量。如果batch不是None ，則沒有任何作用，或者輸入位於GPU上。（默認： 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]])

半徑圖

計算給定距離內所有點的圖形邊緣。

args：

x （張量） ：節點特徵形狀的矩陣[N, F] 。
R （浮動） ：半徑。
批處理（longTensor，可選） ：形狀[N]的批處理向量，將每個節點分配給一個特定示例。 batch需要分類。（默認： None ）
循環（bool，可選） ：如果為True ，則圖將包含自動浮動。（默認： False ）
max_num_neighbors （int，可選） ：每個元素返回的最大鄰居數。如果實際鄰居的數量大於max_num_neighbors ，則隨機選擇返回的鄰居。（默認： 32 ）
流（字符串，可選） ：與消息傳遞結合使用時的流向（ "source_to_target"或"target_to_source" ）。（默認： "source_to_target" ）
NUM_WORKERS （INT） ：用於計算的工人數量。如果batch不是None ，則沒有任何作用，或者輸入位於GPU上。（默認： 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]])

隨機漫步採樣

樣本從所有節點索引中的所有節點start中的隨機walk_length步道(row, col)給出的圖中的所有節點索引。

 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]])

運行測試

 pytest

C ++ API

torch-cluster還提供了一個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

展開

附加信息