Graph Neural Networks mit PyTorch Geometric erstellen
Projekte zum Graphenlernen erfordern sorgfältige Entscheidungen hinsichtlich Daten, Modellen, Sampling und Auswertung. Dieser Skill bietet Anleitungen, Beispiele, Vorlagen, Benchmarks und Visualisierungswerkzeuge für PyTorch Geometric.
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "torch-geometric" from https://skillstore.io/skills/davila7-torch-geometric.md and its manifest at https://skillstore.io/api/skills/davila7-torch-geometric/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
„torch-geometric“ wird verwendet. Ich benötige eine Baseline für die Knotenklassifikation mit Cora.
Erwartetes Ergebnis:
„torch-geometric“ wird verwendet. Mein sozialer Graph hat Millionen von Knoten und passt nicht in den Arbeitsspeicher.
Erwartetes Ergebnis:
Verwende Neighbor Sampling mit einer begrenzten Anzahl von Hops, Verlustberechnung für Startknoten, kontrollierte Batch-Größen und eine Validierung mit einer stabilen Sampling-Konfiguration.
„torch-geometric“ wird verwendet. Vergleiche GAT und GraphSAGE für einen Produktgraphen.
Erwartetes Ergebnis:
The audit reviewed all 175 static findings. One medium-risk issue is confirmed because the template generator can overwrite any writable path supplied through its output argument. All other alerts are benign PyTorch calls, Markdown formatting, dataset cache paths, dictionary keys, imports, or official URLs.
Dies sind echte lokale Fähigkeiten, die für diese Fähigkeit erwartet werden können; daher müssen sie überprüft werden, werden jedoch nicht als bestätigtes bösartiges Verhalten gezählt.
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
https://skillstore.io/skills/davila7-torch-geometric/audits/11?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-torch-geometric?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-torch-geometric?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-torch-geometric/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-torch-geometric.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). torch-geometric security audit report (audit version 11) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-torch-geometric/audits/11@techreport{davila7-davila7-torch-geometric-2026,
author = {davila7},
title = {torch-geometric security audit report (audit version 11)},
institution = {Skillstore},
year = {2026},
number = {11},
url = {https://skillstore.io/skills/davila7-torch-geometric/audits/11},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "torch-geometric security audit report (audit version 11)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-torch-geometric/audits/11"
identifiers:
- type: other
value: "skillstore:davila7-torch-geometric:audit:11"
description: "Skillstore immutable audit report identifier"
Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.
Warum diese Variante zuerst steht
davila7-torch-geometric
2026-09-09
k-dense-ai-torch-geometric
2026-09-09
Eine PyG-Schicht auswählen, einen Zitationsdatensatz laden und einen Trainingsablauf mit Auswertungsmasken erstellen.
Wiederholte Benchmarks für GCN, GAT und GraphSAGE auf einem unterstützten Datensatz ausführen.
Vor der Modellentwicklung die Graphentopologie, Gradmuster, Labels und grundlegende Statistiken visualisieren.
Erkläre, wie ich meinen Graphen in PyTorch Geometric darstellen kann. Meine Knotenmerkmale sind {features}, und meine Kanten haben das Format {edge_format}.Entwirf einen Arbeitsablauf zur Knotenklassifikation mit {GCN|GAT|GraphSAGE} für {dataset}. Berücksichtige Vorverarbeitung, Modellstruktur, Training, Validierung und Testauswertung.Passe meine PyTorch-Geometric-Pipeline für {node_count} Knoten und {edge_count} Kanten an. Empfehle Sampling, Batching, Speicherkontrollen und eine Auswertungsstrategie.Entwirf ein heterogenes GNN für die Knotentypen {node_types} und die Kantentypen {edge_types}. Lege die Verarbeitung von Metadaten, Relationsschichten, Verlustfunktionen und Validierung fest.Autor
davila7Lizenz
MIT
Skillstore-Revision
r2
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Aktualität der Wartung
26.7.2026
Nutzung
8 Downloads · 221 Aufrufe
Dateistruktur
LaTeX-Forschungsposter erstellen
Forschungsposter sind in LaTeX schwer zu formatieren und für den Druck zu prüfen. Dieser Skill bietet Vorlagen, Layout-Anleitung und PDF-Prüfungen für konferenzfertige Poster.
SEO-fertige Marketinginhalte erstellen
Marketingteams benötigen klare Inhalte, die zur Markenstimme und zu Suchzielen passen. Diese Skill bietet Vorlagen, Analyseskripte und plattformspezifische Leitlinien für eine wiederholbare Content-Produktion.
Strukturierte medizinische Behandlungspläne erstellen
Klinische Behandlungspläne werden häufig uneinheitlich, lang oder schwer überprüfbar. Dieser Skill bietet fokussierte Vorlagen, messbare Ziele, Zeitpläne und lokale Qualitätsprüfungen.
Strukturierte klinische Berichte erstellen
Klinische Teams benötigen klare Berichte, die medizinischen und regulatorischen Standards entsprechen. Dieser Skill stellt Vorlagen, Checklisten und Validierungshinweise für Fallberichte, Diagnostik, Studien und Patientennotizen bereit.
Wissenschaftliche Datendateien analysieren
Wissenschaftliche Datendateien sind schwer zu untersuchen, da jedes Format Strukturen und Metadaten anders speichert. Dieser Skill erkennt Formate, erstellt Datenqualitätsprofile und erzeugt praxisorientierte EDA-Berichte im Markdown-Format.
DiffDock-Workflows für molekulares Docking ausführen
Die Einrichtung molekularer Docking-Verfahren scheitert häufig daran, dass Eingaben, Parameter und Konfidenzwerte schwer aufeinander abzustimmen sind. Dieser Skill führt durch DiffDock-Workflows von der Vorbereitung bis zur Prüfung der Ergebnisse.
Therapeutische ML-Datensätze mit PyTDC analysieren
von K-Dense-AI
Teams in der Wirkstoffforschung benötigen zuverlässige Datensätze und faire Bewertungsprotokolle. Diese Skill hilft Claude dabei, PyTDC für kuratierte therapeutische ML-Daten, Benchmark-Splits, Metriken und molekulare Orakel zu verwenden.
Produktionsreife Computer-Vision-Systeme entwickeln
von alirezarezvani
Computer-Vision-Teams benötigen verlässliche Orientierung zu Modellen, Datensätzen, Inferenz und Bereitstellung. Dieser Skill hilft dabei, produktionsreife Vision-Pipelines mit praxisnahen Engineering-Prüfungen zu planen und zu optimieren.
Datenwissenschaftliche Experimente und Modelle entwerfen
von alirezarezvani
Data-Science-Projekte scheitern häufig, wenn Experimenten, Features und Modellen eine klare statistische Struktur fehlt. Dieser Skill bietet Claude, Codex und Claude Code geführte Workflows für Experimentieren, Feature Engineering und Modellprüfung.
ML-Workflows auf versteckte Antipatterns validieren
von Doyajin174
ML-Projekte können präzise wirken, während Data Leakage oder schwache Evaluation schwerwiegende Mängel verbergen. Dieser Skill führt durch strukturierte Prüfungen für Splits, Metriken, Training und Deployment-Bereitschaft.
ML-Trainingsfehler debuggen
von DNYoussef
ML-Training kann durch NaN-Loss, Overfitting, langsame Konvergenz oder instabile Gradienten fehlschlagen. Diese Skill führt durch Diagnose, gezielte Korrekturen, Validierung und Reporting.
Molekulare ML-Workflows mit DeepChem erstellen
von K-Dense-AI
Molekulares maschinelles Lernen erfordert oft spezialisierte Featurizer, Datensätze und Evaluierungsmethoden. Diese Skill hilft Claude, Codex und Claude Code dabei, DeepChem-Workflows für Eigenschaftsvorhersage, Transfer Learning und Benchmarks zu entwerfen.