torch-geometric
PyTorch Geometric로 그래프 신경망 구축
Également disponible depuis: davila7
그래프 신경망은 약물 발견, 소셜 네트워크 분석, 추천 시스템과 같은 현대적 애플리케이션을 구동합니다. 이 스킬은 PyTorch Geometric로 GNN을 구현하기 위한 즉시 사용 가능한 템플릿과 문서를 제공합니다.
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
SûrAll 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.
Facteurs de risque
⚙️ Commandes externes (4)
📁 Accès au système de fichiers (2)
⚡ Contient des scripts (3)
🌐 Accès réseau (1)
Score de qualité
Ce que vous pouvez construire
분자 속성 예측기 구축
약물 발견을 위해 분자 그래프에서 GNN을 학습하여 약물 속성, 독성 및 결합 친화도 예측
인용 네트워크 분류기 생성
Cora 및 PubMed와 같은 인용 네트워크에서 노드 분류를 구현하여 논문 분류 및 추천
소셜 네트워크 분석
커뮤니티 탐지 및 영향력 분석을 위해 대규모 소셜 네트워크에 그래프 어텐션 및 샘플링 기술 적용
Essayez ces prompts
PyTorch Geometric을 사용하여 Cora 데이터셋에서 노드 분류를 위한 그래프 컨볼루션 네트워크(GCN) 구축. 학습 루프 및 평가 포함.
전역 평균 풀링 및 DataLoader를 사용하여 ENZYMES 데이터셋에서 그래프 분류를 위한 GraphSAGE 모델 생성
인용 네트워크 분류를 위해 다중 헤드 어텐션을 가진 그래프 어텐션 네트워크(GAT) 구현
미니 배치 처리 및 이웃 샘플링을 사용하여 대규모 그래프에서 GNN을 학습하기 위한 NeighborLoader 사용 방법 보여주기
Bonnes pratiques
- 추론 시 gradients를 비활성화하고 결정적 동작을 보장하기 위해 model.eval() 및 torch.no_grad() 사용
- 효율적인 미니 배치 학습을 위해 대규모 그래프에 적절한 num_neighbors와 함께 NeighborLoader 적용
- 효율적인 체크포인팅 및 재현성을 위해 torch.save()와 state_dict를 사용하여 모델 저장
Éviter
- 대규모 네트워크에서 샘플링 없이 전체 그래프에서 학습하면 메모리 오버플로우가 발생하므로 피하기
- 학습 단계에서 model.train()을 설정하고 평가 단계에서 model.eval()을 설정하는 것을 잊지 않기
- 데이터셋 경로를 하드코딩하지 않기; 데이터셋 캐싱을 위해 임시 디렉토리와 root 파라미터 사용
Foire aux questions
What is PyTorch Geometric?
What GNN architectures are supported?
What datasets can I load?
How do I handle large graphs?
Can I do molecular property prediction?
What transforms are available?
Détails du développeur
Auteur
K-Dense-AILicence
MIT license
Dépôt
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/torch_geometricRéf
main
Structure de fichiers