مستودع DeepGCNs PyTorch

الوصف

يعد مستودع lightaime/deep_gcns_torch تطبيقًا شاملاً لـ PyTorch لتدريب شبكات التفاف الرسم البياني العميقة للغاية (GCNs). مستوحى من نجاح شبكات CNN العميقة، يقدم هذا المشروع طرقًا جديدة للتغلب على تحديات تدريب GCNs بعدد كبير من الطبقات. تشمل التكيفات المعمارية الرئيسية دمج الاتصالات المتبقية والكثيفة، جنبًا إلى جنب مع الالتفافات المتوسعة، والتي تعد أساسية لتحقيق العمق في شبكات CNN. تم تكييف هذه التقنيات بعناية مع البنية الفريدة لبيانات الرسم البياني، مما يسمح بنماذج GNN أكثر قوة وقابلية للتوسع.

يستضيف المستودع رمزًا للعديد من نماذج GNN الهامة والمساهمات البحثية: DeepGCNs (نُشرت في ICCV'2019 و TPAMI'2021)، و DeeperGCN (مُقدمة في arXiv'2020)، و GNN1000 (مُقدمة في ICML'2021). تم تقييم هذه النماذج على مجموعات بيانات معيارية مختلفة، بما في ذلك S3DIS، و PartNet، و ModelNet40، و PPI، ومجموعات بيانات OGB، مما يوضح فعاليتها في مهام مثل تصنيف سحابة النقاط، والتجزئة الدلالية، والتنبؤ بخصائص العقدة/الرسم البياني.

يمكن للمستخدمين العثور على تعليمات مفصلة لإعداد البيئة، وتشغيل التجارب، وتقييم النماذج داخل ملفات README الموجودة في مجلدات الأمثلة ذات الصلة. تم تنظيم بنية الكود لتسهيل النمطية والقابلية للتوسيع، مع أدلة مخصصة لمكتبات GCN (البيانات المتفرقة والكثيفة)، ووحدات فعالة من حيث الذاكرة، وتطبيقات أمثلة متنوعة. يؤكد المشروع على التجارب المكثفة ودراسات الاستئصال لفهم تأثير المكونات المعمارية المختلفة على أداء GCN.

هذا المورد لا يقدر بثمن للباحثين والممارسين في مجالات رؤية الكمبيوتر، والمعلوماتية الحيوية، والمعلوماتية الكيميائية، وتحليل الشبكات الاجتماعية الذين يعملون مع البيانات المنظمة على شكل رسوم بيانية. من خلال توفير نماذج GNN منفذة جيدًا وإعدادات تجريبية واضحة، يهدف المستودع إلى دفع أحدث ما توصلت إليه التكنولوجيا في التعلم العميق على الرسوم البيانية وتشجيع المزيد من الاستكشاف في معماريات شبكات الرسم البياني العصبية الأعمق والأكثر فعالية.

أبرز ملامح مستودع DeepGCNs PyTorch

• تطبيق PyTorch لـ DeepGCNs

• رمز لـ DeeperGCN (arXiv'2020)

• تطبيق GNN1000 (ICML'2021)

• تكييف مفاهيم CNN (اتصالات متبقية/كثيفة، تمدد) لـ GCNs

• نتائج تجريبية مكثفة ودراسات استئصال

• دعم لمجموعات بيانات الرسم البياني المختلفة (S3DIS، PartNet، ModelNet40، PPI، OGB)

• رمز لتصنيف سحابة النقاط والتجزئة الدلالية

• رمز للتنبؤ بخصائص العقدة والرسم البياني

• وحدات GNN فعالة من حيث الذاكرة

• بنية كود نمطية لمكتبات GCN (متفرقة وكثيفة)

• تعليمات واضحة لإعداد البيئة وتنفيذ النموذج

• مفتوح المصدر بموجب ترخيص MIT

البدء مع مستودع DeepGCNs PyTorch

1. 1

   استنساخ المستودع: قم بتنزيل الكود من مستودع GitHub.

2. 2

   تثبيت البيئة: قم بتشغيل البرنامج النصي `deepgcn_env_install.sh` لإعداد المكتبات المطلوبة.

3. 3

   تكوين التجارب: انتقل إلى دليل `examples` وحدد مهمة (مثل `modelnet_cls`، `sem_seg_dense`).

4. 4

   تشغيل النماذج: اتبع التعليمات في ملفات README الخاصة بالمهمة لتدريب النماذج واختبارها وتقييمها.

5. 5

   دمج الوحدات: استخدم مكتبات GCN والوحدات الفعالة في مشاريع شبكات الرسم البياني العصبية المخصصة.

6. 6

   التكيف للبحث: قم بتعديل وتوسيع المعماريات الحالية لمهام تعلم الرسم البياني الجديدة.

حالات استخدام مستودع DeepGCNs PyTorch

• تصنيف سحابة النقاط
• التجزئة الدلالية
• تصنيف العقد
• التنبؤ بخصائص الرسم البياني
• تجزئة الأجزاء
• بحث GNN

الأسئلة الشائعة من مستودع DeepGCNs PyTorch

• ما هو الغرض الأساسي من مستودع DeepGCNs PyTorch؟

  الغرض الأساسي من هذا المستودع هو توفير تطبيقات PyTorch لتدريب شبكات التفاف الرسم البياني العميقة جدًا (GCNs)، بما في ذلك DeepGCNs و DeeperGCN و GNN1000، عن طريق تكييف تقنيات من شبكات CNN.

• ما هي نماذج GNN المضمنة في هذا المستودع؟

  يشمل المستودع تطبيقات لـ DeepGCNs (ICCV'2019، TPAMI'2021)، و DeeperGCN (arXiv'2020)، و GNN1000 (ICML'2021).

• ما نوع بيانات الرسم البياني التي يدعمها هذا المستودع؟

  يدعم المستودع أنواعًا مختلفة من بيانات الرسم البياني، بما في ذلك سحب النقاط للتصنيف والتجزئة، وهياكل الرسم البياني للتنبؤ بخصائص العقدة والرسم البياني على مجموعات بيانات مثل S3DIS، و PartNet، و ModelNet40، و PPI، و OGB.

• كيف يمكنني تثبيت البيئة اللازمة لهذا المستودع؟

  يمكنك تثبيت البيئة المطلوبة عن طريق تشغيل البرنامج النصي `deepgcn_env_install.sh` المتوفر في المستودع.

• ما هي المتطلبات الموصى بها لتشغيل هذا الكود؟

  تشمل المتطلبات الموصى بها Python >= 3.7، و PyTorch >= 1.9.0، و PyTorch Geometric >= 1.6.0. يوصى أيضًا بـ OGB و DGL لتجارب محددة.

• هل يقدم هذا المستودع رمزًا للتجزئة الدلالية؟

  نعم، يتضمن المستودع رمزًا للتجزئة الدلالية لسحب النقاط على S3DIS، ويدعم أنواع البيانات الكثيفة والمتفرقة.

• ما هي مفاهيم CNN التي تم تكييفها لـ GCNs في هذا المشروع؟

  يقوم المشروع بتكييف مفاهيم مثل الاتصالات المتبقية، والاتصالات الكثيفة، والالتفافات المتوسعة من شبكات CNN لتمكين تدريب معماريات GCN أعمق.

• أين يمكنني العثور على معلومات حول تشغيل مهام أو نماذج محددة؟

  يمكن العثور على معلومات مفصلة حول كيفية تدريب واختبار وتقييم النماذج لمهام محددة في ملفات README.md داخل مجلد كل مهمة في دليل `examples`.

• ما هو ترخيص هذا المستودع؟

  هذا المستودع مرخص بموجب ترخيص MIT.

• هل تتوفر نماذج مدربة مسبقًا؟

  يمكن العثور على معلومات بخصوص النماذج المدربة مسبقًا داخل ملفات README.md لكل مهمة داخل مجلد `examples`.

• ما هي فوائد استخدام DeepGCNs؟

  تسمح DeepGCNs بتدريب شبكات GNN أعمق بكثير مما كان ممكنًا سابقًا، مما يؤدي إلى تحسين محتمل في الأداء على مهام الرسم البياني المعقدة عن طريق التقاط علاقات أكثر تعقيدًا.