Prise en charge de graphiques hétérogènes, intégration de graphgym, mise à jour de la Bibliothèque de réseaux neuronaux graphiques pyg 2.0

Le cœur de la machine 2021-09-15 03:28:22
PyTorch Geometric(PyG)Est construit sur PyTorch La Bibliothèque au - dessus,Utilisé pour écrire et former une série d'applications liées aux données structurées Figure réseau neuronal(GNN).PyG C'est exact. Apprentissage automatique Les chercheurs et Apprentissage automatique Les premiers utilisateurs du kit sont conviviaux .

En termes de caractéristiques et de fonctions,PyG Facile à utiliser et uniforme API,Les utilisateurs passent moins de temps à mettre en œuvre et à exécuter Figure réseau neuronal Sur le mécanisme sous - jacent ,C'est tout. 10 à 20 Code de ligne pour former la personnalisation GNN Modèle.PyG Couvre un grand nombre de SOTA GNN .Architecture et processus de formation et d'extensibilité,Et facilement extensible pour correspondre aux cas d'utilisation spécifiques de l'utilisateur ou pour faire son propre GNN Recherche.

En outre,PyG Nouveau dans GraphGym Permet à l'utilisateur de reproduire facilement GNN L'expérience,Exécution et analyse de milliers de GNN L'expérience,Et intégrer des modules personnalisés dans GNN Apprendre pipeline Moyenne.

Les derniers jours,PyG Leader central(Core lead)Matthias Fey Annonce PyG 2.0 La version arrive.!La nouvelle version offre un support graphique hétérogène complet、GraphGam Et beaucoup d'autres caractéristiques.

PyG 2.0 Détails adresse:https://github.com/pyg-team/pytorch_geometric/releases/tag/2.0.0

PyG 2.0 Nouvelles caractéristiques

PyG 2.0 C'est une nouvelle version , Fournit un support graphique hétérogène complexe 、GraphGym Intégration et autres nouvelles fonctionnalités .

PyG 2.0 Un support graphique entièrement hétérogène est fourni dans . Les graphiques hétérogènes prennent en charge la réécriture complète, y compris les niveaux de stockage de données ( Tout en maintenant la compatibilité vers l'arrière )、 Conversion de graphiques hétérogènes 、 Routines de chargement des données relationnelles à partir d'échantillons adjacents , Et un ensemble complet d'isomères GNN Modèle / Exemple.

Points saillants

Stockage hétérogène des graphiques : Les diagrammes hétérogènes peuvent maintenant être stockés à leur propre usage data.HeteroData Dans la classe.

Isomérisation Mini-Batch Chargement: Les diagrammes isomériques peuvent passer séparément par loader.DataLoader Et loader.NextorLoader Pour beaucoup de petits 、 Une seule carte géante pour la conversion ,Convertir en mini-batches.Ces loaders Il est maintenant possible de traiter les isomorphes et les isomorphes .

IsomérisationFigure réseau neuronal:Isomérisation GNN On peut passer. nn.to_hetero、nn.to_hetero_with_bases De l'isomorphisme GNN Facile à créer. Ces processus utilisent les GNN Modèle et copie sa fonction de message , Pour tenir compte des différents types de noeuds et de bords .

Utiliser GraphGym Expérience de gestion

PyG 2.0 Maintenant, à travers torch_geometric.graphgym Appui officiel GraphGym.En général,GraphGym C'est une plateforme , Pour passer à travers des pipeline Conception et évaluation à partir du profil Figure réseau neuronal
  • GraphGym Est de commencer à apprendre la normalisation GNN La meilleure plateforme pour la mise en œuvre et l'évaluation ;

  • GraphGym Fournit une interface simple pour essayer des milliers de GNN Architecture, Pour trouver la meilleure conception pour une tâche spécifique ;

  • GraphGym Facile à faire Hyperparamètre Rechercher et visualiser les meilleures options de conception .

Changements majeurs

datasets.AMiner L'ensemble de données retourne maintenant data.HeteroData Objet;transforms.AddTrainValTestMask Remplacé par transforms.RandomNodeSplit;Parce que data.Data La disposition de stockage a été considérablement modifiée pour supporter des graphiques hétérogènes , Il est donc nécessaire de supprimer root/processed Dossiers pour retraiter les ensembles de données traités . Si vous avez modifié la personnalisation data.Data Dans l'objet__cat_dim__Ou__inc__ , Veuillez vous assurer que les modifications ci - dessus sont appliquées .

En savoir plus sur les changements , Voir le projet original .

Membres de l'équipe centrale

PyG L'équipe centrale partage 6 Membres, Y compris la carte de quatrième année de l'université polytechnique de Dortmund Apprentissage automatique Doctorant Matthias Fey、 Doctorant à l'université polytechnique de Dortmund Jan Eric Lenssen(Principaux contributeurs)Et Réseau graphique Fieldbull & Professeur agrégé d'informatique à Stanford Jure Leskovec(En tant que consultant).

De gauche à droite Matthias Fey、Jan Eric Lenssen Et Jure Leskovec.

Il y a aussi trois membres chinois , Yu Jiaxuan, doctorant en informatique de quatrième année à l'Université de Stanford (Jiaxuan You,Leader central)、 Doctorant en informatique à l'Université de Stanford Rex Ying(Principaux contributeurs,Il sera 2022 J'ai rejoint Yale en tant que professeur adjoint ) Et Carnegie Mellon - Zhao Yue, doctorant de troisième année au Hans College (Yue Zhao,Principaux contributeurs).

De gauche à droite se trouve le yujiaxuan 、Rex Ying Avec Chao Yue .

Avant le jour, Chao Yue a partagé sa participation PyG 2.0 Expérience de la conception et de la mise à jour des versions , Les lecteurs intéressés peuvent se référer à la lecture .

Lien de connaissance:https://www.zhihu.com/pin/1420674585365196800

Liens de référence:
http://www.pyg.org/
版权声明
本文为[Le cœur de la machine]所创,转载请带上原文链接,感谢
https://fheadline.com/2021/09/20210914184047161n.html
相似文章