Habilidades torch-geometric

📦

torch-geometric

Name: torch-geometric
Author: davila7

Revisión del contenido r2 Seguro 📁 Acceso al sistema de archivos⚡ Contiene scripts⚙️ Comandos externos🌐 Acceso a red

Construye redes neuronales de grafos con PyTorch Geometric

Los proyectos de aprendizaje sobre grafos requieren elegir cuidadosamente los datos, los modelos, el muestreo y la evaluación. Esta habilidad ofrece orientación, ejemplos, plantillas, pruebas comparativas y utilidades de visualización para PyTorch Geometric.

Compatible con: Claude Codex Code(CC)

🥈 80 Plata

Instalar con mi Agente

Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.

Solicitud de agente

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.

Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.

Recursos legibles por agentes

Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.

Detalle Markdown GET /skills/davila7-torch-geometric.md Manifest firmado GET /api/skills/davila7-torch-geometric/manifest Lockfile firmado GET /api/skills/davila7-torch-geometric/lockfile

Pruébalo

Usando "torch-geometric". Necesito un modelo de referencia para la clasificación de nodos de Cora.

Resultado esperado:

Modelo recomendado: una GCN de dos capas con dropout.
Utiliza las máscaras proporcionadas de entrenamiento, validación y prueba.
Supervisa la exactitud de validación e informa del resultado de prueba seleccionado.

Usando "torch-geometric". Mi grafo social tiene millones de nodos y no cabe en memoria.

Resultado esperado:

Utiliza muestreo de vecinos con un número limitado de saltos, cálculo de la pérdida en los nodos semilla, tamaños de lote controlados y validación con una configuración de muestreo estable.

Usando "torch-geometric". Compara GAT y GraphSAGE para un grafo de productos.

Resultado esperado:

GAT puede modelar la importancia variable de los vecinos, pero utiliza más memoria.
GraphSAGE es un modelo de referencia práctico para grafos grandes muestreados.
Compara ambos con las mismas particiones, características, presupuestos y métricas.

Auditoría de seguridad

Seguro

v11 • 23/7/2026 Abrir el informe versionado

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.

Archivos escaneados

3,566

Líneas analizadas

Elementos de revisión

Falsos positivos ignorados

Elementos de revisión de capacidades (1)

Estas son capacidades locales reales que pueden esperarse para esta habilidad, por lo que requieren revisión, pero no se cuentan como comportamiento malicioso confirmado.

Medio

scripts/create_gnn_template.py:467

Python file write/append

with open(output_file, 'w') as f:

The CLI-controlled output path is created and opened with write mode without workspace or existence checks, allowing overwrite of any writable file.

Factores de riesgo

📁 Acceso al sistema de archivos (50)

⚡ Contiene scripts (8)

scripts/benchmark_model.py:97 scripts/benchmark_model.py:129 scripts/create_gnn_template.py:72 scripts/create_gnn_template.py:168 scripts/create_gnn_template.py:265 scripts/create_gnn_template.py:392 SKILL.md:350 SKILL.md:630

⚙️ Comandos externos (50)

🌐 Acceso a red (5)

SKILL.md:33 SKILL.md:667 SKILL.md:668 SKILL.md:669 SKILL.md:670

Auditado por: codex Ver historial de auditorías →

Compartir y citar este informe

Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.

Abrir el informe versionado

Copiar enlace del informe

https://skillstore.io/skills/davila7-torch-geometric/audits/11?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Insignia Markdown

[![Skillstore security assessment](https://skillstore.io/badges/skills/davila7-torch-geometric/security.svg)](https://skillstore.io/skills/davila7-torch-geometric?utm_source=security_passport_badge)

Insignia HTML

<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>

Tarjeta para insertar

<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>

Citas académicas (APA · BibTeX · CFF)

Cita APA

davila7. (2026). torch-geometric security audit report (audit version 11) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-torch-geometric/audits/11

Cita BibTeX

@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}
}

CITATION.cff

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"

Comparar variantes

2 variantes instalables

Cada autor sigue siendo un skill instalable independiente. La variante recomendada se ordena según la evidencia de Skillstore.

Por qué esta variante es la primera

Mayor puntuación de Skillstore

Autor / fuente Puntuación de Skillstore Confianza de la evidencia Uso en Skillstore Actualizado

davila7 Recomendado Actual

davila7-torch-geometric

Puntuación de Skillstore 80

Confianza de la evidencia Alto

Uso en Skillstore 10

Actualizado

2026-09-09

K-Dense-AI

k-dense-ai-torch-geometric

Puntuación de Skillstore 72

Confianza de la evidencia Alto

Uso en Skillstore 12

Actualizado

2026-09-09

Puntuación de Skillstore

Por qué esta puntuación Confianza de la evidencia: Alto

Arquitectura

Mantenibilidad

Contenido

Comunidad

Cumplimiento de la especificación

Lo que puedes crear

Crear un prototipo de clasificador de nodos

Selecciona una capa de PyG, carga un conjunto de datos de citas y crea un flujo de entrenamiento con máscaras de evaluación.

Comparar modelos de referencia de GNN

Ejecuta pruebas comparativas repetidas de GCN, GAT y GraphSAGE en un conjunto de datos compatible.

Inspeccionar datos de grafos

Visualiza la topología del grafo, los patrones de grados, las etiquetas y las estadísticas básicas antes de desarrollar el modelo.

Prueba estos prompts

Crear un primer grafo de PyG

Explica cómo representar mi grafo en PyTorch Geometric. Las características de mis nodos son {features} y mis aristas tienen el formato {edge_format}.

Crear un clasificador de nodos

Diseña un flujo de clasificación de nodos con {GCN|GAT|GraphSAGE} para {dataset}. Incluye preprocesamiento, estructura del modelo, entrenamiento, validación y evaluación de prueba.

Escalar el entrenamiento de grafos

Adapta mi canalización de PyTorch Geometric para {node_count} nodos y {edge_count} aristas. Recomienda estrategias de muestreo, procesamiento por lotes, control de memoria y evaluación.

Diseñar una GNN heterogénea

Diseña una GNN heterogénea para los tipos de nodos {node_types} y los tipos de aristas {edge_types}. Especifica la gestión de metadatos, las capas de relaciones, las funciones de pérdida y la validación.

Mejores prácticas

Inspecciona las dimensiones de las características, las formas de las etiquetas, la dirección de las aristas, los bucles propios y las máscaras de partición antes del entrenamiento.
Elige las capas en función de la estructura del grafo, las características de las aristas, la escala y el nivel de la tarea.
Separa las evaluaciones de entrenamiento, validación y prueba y, a continuación, informa de las estadísticas de ejecuciones repetidas.

Evitar

No cargues completamente en memoria grafos grandes cuando sea necesario realizar muestreo de vecinos.
No compares modelos con distintas particiones de datos, preprocesamientos o métricas de evaluación.
No supongas que todos los grafos son no dirigidos ni que todas las tareas utilizan etiquetas a nivel de nodo.

Preguntas frecuentes

¿Esta habilidad instala PyTorch Geometric?

Proporciona comandos de instalación, pero la instalación requiere que el usuario los ejecute y disponga de un entorno de PyTorch compatible.

¿Qué arquitecturas de modelos abarca?

Abarca GCN, GAT, GraphSAGE, GIN, capas personalizadas de paso de mensajes, modelos heterogéneos y patrones de agrupación.

¿Puede trabajar con conjuntos de datos personalizados?

Sí. Explica InMemoryDataset, Dataset, la carga de archivos CSV, el preprocesamiento y los objetos Data personalizados.

¿Admite grafos grandes?

Sí. Describe el muestreo de vecinos y el procesamiento por lotes, pero la capacidad depende del hardware, del tamaño del conjunto de datos y del diseño del modelo.

¿Puede realizar pruebas comparativas de modelos de producción?

La utilidad de pruebas comparativas proporciona comparaciones sencillas de modelos de referencia. No incluye orquestación distribuida, seguimiento de experimentos ni ajustes exhaustivos.

¿Los ejemplos de conjuntos de datos accederán a la red?

Muchos conjuntos de datos de PyG descargan archivos cuando no están disponibles localmente. Revisa las fuentes de los conjuntos de datos, las rutas de almacenamiento, las licencias y los tamaños previstos antes de ejecutar los ejemplos.