torch-geometric
بناء الشبكات العصبية الرسومية باستخدام PyTorch Geometric
متاح أيضًا من: davila7
تُشغّل الشبكات العصبية الرسومية التطبيقات الحديثة مثل اكتشاف الأدوية، وتحليل الشبكات الاجتماعية، وأنظمة التوصية. توفر هذه المهارة قوالب جاهزة للاستخدام ووثائق لتنفيذ الشبكات العصبية الرسومية باستخدام PyTorch Geometric.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "torch-geometric". إنشاء نموذج GCN لشبكة الاستشهاد Cora
النتيجة المتوقعة:
- طبقات GCNConv مع قنوات مخفية
- حلقة التدريب مع حساب الخسارة
- التقييم على أقنعة التدريب والتحقق والاختبار
- النموذج المحفوظ في ملف نقاط التفتيش
استخدام "torch-geometric". تحميل TUDataset لتصنيف الرسوم البيانية
النتيجة المتوقعة:
- TUDataset مع ENZYMES المحملة إلى /tmp
- DataLoader مع batch_size=32
- طبقة التجميع العالمي بالمتوسط
- التدريب عبر 100 حقبة
استخدام "torch-geometric". استخدام آليات الانتباه في GNN الخاص بي
النتيجة المتوقعة:
- GATConv مع 8 رؤوس انتباه
- التسرب المطبق على معاملات الانتباه
- دالة التنشيط ELU
- مخرجات متعددة الرؤوس مُسلسلة ثم مُتوسطّة
التدقيق الأمني
آمنAll 777 static findings are false positives. The detected 'eval()' calls are legitimate PyTorch model.eval() methods for evaluation mode, not dynamic code execution. The 'external_commands' findings are markdown code blocks using backtick formatting. The 'weak cryptographic algorithm' flags are triggered by documentation mentioning algorithm names. The 'certificate/key files' flags misidentify error messages referencing TEMPLATES.keys(). No actual security threats identified in this legitimate PyTorch Geometric ML skill.
عوامل الخطر
⚙️ الأوامر الخارجية (4)
📁 الوصول إلى نظام الملفات (2)
⚡ يحتوي على سكربتات (3)
🌐 الوصول إلى الشبكة (1)
درجة الجودة
ماذا يمكنك بناءه
بناء نماذج خصائص الجزيئات
تدريب الشبكات العصبية الرسومية على الرسوم البيانية الجزيئية للتنبؤ بخصائص الأدوية والسمية وقوة الارتباط لاكتشاف الأدوية.
إنشاء مصنّفات شبكات الاستشهاد
تنفيذ تصنيف العقد على شبكات الاستشهاد مثل Cora وPubMed لتصنيف الأوراق العلمية والتوصية.
تحليل الشبكات الاجتماعية
تطبيق تقنيات الانتباه بالعقد والعينات على الشبكات الاجتماعية الكبيرة لاكتشاف المجتمعات وتحليل التأثير.
جرّب هذه الموجهات
بناء شبكة التفاف رسومية لتصنيف العقد على مجموعة بيانات Cora باستخدام PyTorch Geometric. تضمين حلقة التدريب والتقييم.
إنشاء نموذج GraphSAGE لتصنيف الرسوم البيانية على مجموعة بيانات ENZYMES باستخدام التجميع العالمي بالمتوسط وDataLoader.
تنفيذ شبكة الانتباه الرسومية (GAT) مع انتباه متعدد الرؤوس لتصنيف شبكات الاستشهاد.
إظهار كيفية استخدام NeighborLoader لتدريب الشبكات العصبية الرسومية على الرسوم البيانية واسعة النطاق مع معالجة الدفعات المصغرة وعينة الجيران.
أفضل الممارسات
- استخدام model.eval() وtorch.no_grad() أثناء الاستدلال لتعطيل التدرجات وضمان السلوك الحتمي.
- تطبيق NeighborLoader مع num_neighbors المناسب للرسوم البيانية الكبيرة لتمكين التدريب الفعال بالدُفعات المصغرة.
- حفظ النماذج باستخدام torch.save() مع state_dict لنقاط تفتيش فعّالة وقابلية إعادة الإنتاج.
تجنب
- تجنب التدريب على الرسوم البيانية الكاملة دون أخذ عينات للشبكات الكبيرة，因为这会导致内存溢出.
- لا تنسَ تعيين model.train() أثناء مراحل التدريب وmodel.eval() أثناء التقييم.
- تجنب ترميز مسارات مجموعات البيانات بشكل صعب؛ استخدم معلمة root مع الدلائل المؤقتة لتخزين مجموعات البيانات مؤقتًا.
الأسئلة المتكررة
ما هو PyTorch Geometric؟
ما معماريات GNN المدعومة؟
ما مجموعات البيانات التي يمكنني تحميلها؟
كيف أتعامل مع الرسوم البيانية الكبيرة؟
هل يمكنني التنبؤ بخصائص الجزيئات؟
ما التحويلات المتاحة؟
تفاصيل المطور
المؤلف
K-Dense-AIالترخيص
MIT license
المستودع
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/torch_geometricمرجع
main
بنية الملفات