Habilidades torch-geometric

🔺

torch-geometric

Name: torch-geometric
Author: K-Dense-AI

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

Construye Redes Neuronales de Grafos con PyTorch Geometric

También disponible en: davila7

Las Redes Neuronales de Grafos impulsan aplicaciones modernas como el descubrimiento de fármacos, el análisis de redes sociales y los sistemas de recomendación. Esta skill ofrece plantillas listas para usar y documentación para implementar GNNs con PyTorch Geometric.

Soporta: Claude Codex Code(CC)

🥉 75 Bronce

Descargar el ZIP de la skill

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

Activa y empieza a usar

Pruébalo

Usando "torch-geometric". Create a GCN model for the Cora citation network

Resultado esperado:

Capas GCNConv con canales ocultos
Bucle de entrenamiento con cálculo de pérdida
Evaluación en máscaras train/val/test
Modelo guardado en un archivo de checkpoint

Usando "torch-geometric". Load the TUDataset for graph classification

Resultado esperado:

TUDataset con ENZYMES cargado en /tmp
DataLoader con batch_size=32
Capa de global mean pooling
Entrenamiento a lo largo de 100 épocas

Usando "torch-geometric". Use attention mechanisms in my GNN

Resultado esperado:

GATConv con 8 cabezas de atención
Dropout aplicado a los coeficientes de atención
Función de activación ELU
Salida multi-head concatenada y luego promediada

Auditoría de seguridad

Seguro

v4 • 1/17/2026

All 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.

Archivos escaneados

6,721

Líneas analizadas

hallazgos

Auditorías totales

Factores de riesgo

⚙️ Comandos externos (4)

references/datasets_reference.md:1-50 references/layers_reference.md:1-50 references/transforms_reference.md:1-50 SKILL.md:1-100

📁 Acceso al sistema de archivos (2)

scripts/benchmark_model.py:144 scripts/create_gnn_template.py:86

⚡ Contiene scripts (3)

scripts/benchmark_model.py:97 scripts/benchmark_model.py:129 scripts/create_gnn_template.py:72

🌐 Acceso a red (1)

SKILL.md:670-673

Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

Arquitectura

100

Mantenibilidad

Contenido

Comunidad

100

Seguridad

Cumplimiento de la especificación

Lo que puedes crear

Construir Predictores de Propiedades Moleculares

Entrena GNNs en grafos moleculares para predecir propiedades de fármacos, toxicidad y afinidad de unión para el descubrimiento de fármacos.

Crear Clasificadores de Redes de Citación

Implementa clasificación de nodos en redes de citación como Cora y PubMed para categorización y recomendación de artículos.

Analizar Redes Sociales

Aplica técnicas de atención y muestreo de grafos a grandes redes sociales para detección de comunidades y análisis de influencia.

Prueba estos prompts

Modelo GNN Básico

Build a Graph Convolutional Network for node classification on the Cora dataset using PyTorch Geometric. Include training loop and evaluation.

Clasificación de Grafos

Create a GraphSAGE model for graph classification on the ENZYMES dataset using global mean pooling and DataLoader.

Mecanismo de Atención

Implement a Graph Attention Network (GAT) with multi-head attention for citation network classification.

Entrenamiento a Gran Escala

Show how to use NeighborLoader for training GNNs on large-scale graphs with mini-batch processing and neighbor sampling.

Mejores prácticas

Usa model.eval() y torch.no_grad() durante la inferencia para desactivar gradientes y garantizar un comportamiento determinista.
Aplica NeighborLoader con num_neighbors adecuado para grafos grandes y habilitar entrenamiento eficiente con mini-batches.
Guarda modelos usando torch.save() con state_dict para checkpointing eficiente y reproducibilidad.

Evitar

Evita entrenar en grafos completos sin muestreo para redes grandes, ya que esto causa desbordamiento de memoria.
No olvides establecer model.train() durante las fases de entrenamiento y model.eval() durante la evaluación.
Evita codificar rutas de conjuntos de datos; usa el parámetro root con directorios temporales para el almacenamiento en caché de conjuntos de datos.

Preguntas frecuentes

¿Qué es PyTorch Geometric?

PyTorch Geometric (PyG) es una biblioteca para aprendizaje profundo en grafos que extiende PyTorch con implementaciones de GNN.

¿Qué arquitecturas GNN están soportadas?

GCN, GAT, GraphSAGE, GraphConv, GINConv, TransformerConv y más de 40 tipos de capas están disponibles.

¿Qué conjuntos de datos puedo cargar?

Planetoid (Cora, CiteSeer, PubMed), TUDataset, Coauthor, Amazon y muchas otras para benchmarking.

¿Cómo manejo grafos grandes?

Usa NeighborLoader para muestreo de vecinos y procesamiento por mini-batches para entrenar en grafos con millones de nodos.

¿Puedo hacer predicción de propiedades moleculares?

Sí, usa conjuntos de datos moleculares con GINConv u otras capas de paso de mensajes para tareas de descubrimiento de fármacos y química.

¿Qué transformaciones están disponibles?

Transformaciones de nodos (normalization,PCA), transformaciones de aristas (distance, adding edges) y transformaciones de grafos (connected components).