torch-geometric
Construire des réseaux de neurones graphiques avec PyTorch Geometric
متاح أيضًا من: K-Dense-AI
Les réseaux de neurones graphiques permettent l'apprentissage à partir de structures de données irrégulières comme les réseaux sociaux et les molécules. PyTorch Geometric fournit une boîte à outils complète pour construire, entraîner et évaluer des GNN avec un minimum de code standard.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "torch-geometric". Construire un modèle GCN pour la classification de nœuds sur l'ensemble de données Cora
النتيجة المتوقعة:
- GCN créé avec 2 couches convolutives (1433 caractéristiques d'entrée → 16 cachées → 7 classes)
- Ensemble de données Cora chargé : 2708 nœuds, 5429 arêtes, 7 classes
- Configuration d'entraînement : 200 époques, taux d'apprentissage 0.01, décroissance des poids 5e-4
- Précision de test attendue : environ 75-80%
استخدام "torch-geometric". Créer un réseau d'attention graphique pour la prédiction de propriétés moléculaires
النتيجة المتوقعة:
- GAT construit avec 8 têtes d'attention par couche
- Utilisation de l'ensemble de données MoleculeNet pour la prédiction de toxicité
- Transformations AddSelfLoops et NormalizeFeatures appliquées
- Le modèle utilise un dropout de 0.6 pour la régularisation
التدقيق الأمني
مخاطر منخفضةThis is a legitimate PyTorch Geometric documentation and utility skill containing 671 lines of documentation and 3 Python utility scripts. The extensive static findings (776 issues) are all false positives from the analyzer misinterpreting markdown code examples and PyTorch API calls. No actual command execution, credential access, or data exfiltration patterns exist in the codebase.
مشكلات منخفضة المخاطر (1)
عوامل الخطر
📁 الوصول إلى نظام الملفات (4)
🌐 الوصول إلى الشبكة (2)
درجة الجودة
ماذا يمكنك بناءه
Prototyper des architectures GNN
Expérimenter avec différentes couches GNN et stratégies d'entraînement sur des ensembles de données de référence.
Analyser des données de réseau
Appliquer l'apprentissage sur graphes aux réseaux sociaux, réseaux de citations et systèmes de recommandation.
Prédire les propriétés moléculaires
Construire des modèles pour la découverte de médicaments et les tâches de prédiction de propriétés moléculaires.
جرّب هذه الموجهات
Aide-moi à construire un réseau de neurones convolutif graphique pour la classification de nœuds sur l'ensemble de données Cora en utilisant PyTorch Geometric. Inclure le chargement des données, la définition du modèle et la boucle d'entraînement.
Créer un réseau d'isomorphisme de graphes (GIN) pour la classification de graphes sur l'ensemble de données ENZYMES. Montrer comment utiliser DataLoader et le pooling global.
Aide-moi à implémenter une couche MessagePassing personnalisée dans PyTorch Geometric qui utilise une agrégation basée sur l'attention sur les caractéristiques des voisins.
Montre-moi comment utiliser NeighborLoader pour entraîner des GNN sur des graphes à grande échelle comme Reddit ou les ensembles de données OGB avec traitement par mini-lots.
أفضل الممارسات
- Commencer avec GCNConv ou GATConv pour les modèles de référence avant d'explorer des architectures plus complexes
- Utiliser NeighborLoader pour les grands graphes afin de permettre un entraînement efficace par mini-lots
- Appliquer des transformations comme NormalizeFeatures et AddSelfLoops pendant le prétraitement pour de meilleurs résultats
تجنب
- Utiliser trop de couches GNN sans normalisation (provoque un lissage excessif)
- Entraîner sur le graphe complet sans échantillonnage pour les grands ensembles de données (problèmes de mémoire)
- Ignorer les masques de division train/val/test et utiliser toutes les étiquettes pour l'entraînement