🔺

torch-geometric

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

Sûr ⚙️ Commandes externes📁 Accès au système de fichiers⚡ Contient des scripts🌐 Accès réseau

Construire des réseaux de neurones sur graphes avec PyTorch Geometric

Également disponible depuis: davila7

Les réseaux de neurones sur graphes alimentent des applications modernes comme la découverte de médicaments, l’analyse des réseaux sociaux et les systèmes de recommandation. Cette compétence fournit des modèles prêts à l’emploi et de la documentation pour implémenter des GNNs avec PyTorch Geometric.

Prend en charge: Claude Codex Code(CC)

🥉 75 Bronze

Télécharger le ZIP du skill

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

Activez et commencez à utiliser

Tester

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

Résultat attendu:

GCNConv layers with hidden channels
Training loop with loss calculation
Evaluation on train/val/test masks
Model saved to checkpoint file

Utilisation de "torch-geometric". Load the TUDataset for graph classification

Résultat attendu:

TUDataset with ENZYMES loaded to /tmp
DataLoader with batch_size=32
Global mean pooling layer
Training across 100 epochs

Utilisation de "torch-geometric". Use attention mechanisms in my GNN

Résultat attendu:

GATConv with 8 attention heads
Dropout applied to attention coefficients
ELU activation function
Multi-head output concatenated then averaged

Audit de sécurité

Sûr

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.

Fichiers analysés

6,721

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (4)

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

📁 Accès au système de fichiers (2)

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

⚡ Contient des scripts (3)

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

🌐 Accès réseau (1)

SKILL.md:670-673

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Construire des prédicteurs de propriétés moléculaires

Entraîner des GNNs sur des graphes moléculaires pour prédire des propriétés de médicaments, la toxicité et l’affinité de liaison pour la découverte de médicaments.

Créer des classificateurs de réseaux de citations

Implémenter la classification de nœuds sur des réseaux de citations comme Cora et PubMed pour la catégorisation et la recommandation d’articles.

Analyser les réseaux sociaux

Appliquer des techniques d’attention et d’échantillonnage sur de grands réseaux sociaux pour la détection de communautés et l’analyse d’influence.

Essayez ces prompts

Modèle GNN de base

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

Classification de graphes

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

Mécanisme d’attention

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

Entraînement à grande échelle

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

Bonnes pratiques

Utilisez model.eval() et torch.no_grad() pendant l’inférence pour désactiver les gradients et assurer un comportement déterministe.
Appliquez NeighborLoader avec un num_neighbors approprié pour les grands graphes afin de permettre un entraînement efficace en mini-lots.
Enregistrez les modèles avec torch.save() et state_dict pour des checkpoints efficaces et reproductibles.

Éviter

Évitez l’entraînement sur des graphes complets sans échantillonnage pour les grands réseaux, car cela provoque un débordement de mémoire.
N’oubliez pas de définir model.train() pendant les phases d’entraînement et model.eval() pendant l’évaluation.
Évitez de coder en dur les chemins des jeux de données ; utilisez le paramètre root avec des répertoires temporaires pour la mise en cache des jeux de données.

Foire aux questions

Qu’est-ce que PyTorch Geometric ?

PyTorch Geometric (PyG) est une bibliothèque pour l’apprentissage profond sur graphes, qui étend PyTorch avec des implémentations de GNN.

Quelles architectures de GNN sont prises en charge ?

GCN, GAT, GraphSAGE, GraphConv, GINConv, TransformerConv et plus de 40 autres types de couches sont disponibles.

Quels jeux de données puis-je charger ?

Planetoid (Cora, CiteSeer, PubMed), TUDataset, Coauthor, Amazon, et bien d’autres pour le benchmarking.

Comment gérer de grands graphes ?

Utilisez NeighborLoader pour l’échantillonnage des voisins et le traitement en mini-lots afin d’entraîner sur des graphes contenant des millions de nœuds.

Puis-je faire de la prédiction de propriétés moléculaires ?

Oui, utilisez des jeux de données moléculaires avec GINConv ou d’autres couches de passage de messages pour la découverte de médicaments et des tâches en chimie.

Quelles transformations sont disponibles ?

Transformations de nœuds (normalization,PCA), transformations d’arêtes (distance, adding edges) et transformations de graphes (connected components).