torch-geometric
Construa Redes Neurais de Grafos com PyTorch Geometric
Également disponible depuis: K-Dense-AI
Redes Neurais de Grafos permitem aprender a partir de estruturas de dados irregulares como redes sociais e moléculas. PyTorch Geometric fornece um conjunto de ferramentas abrangente para construir, treinar e avaliar GNNs com código mínimo.
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". Construa um modelo GCN para classificação de nós no conjunto de dados Cora
Résultat attendu:
- Criado GCN com 2 camadas convolucionais (1433 características de entrada → 16 ocultas → 7 classes)
- Conjunto de dados Cora carregado: 2708 nós, 5429 arestas, 7 classes
- Configuração de treinamento: 200 épocas, taxa de aprendizado 0.01, decaimento de peso 5e-4
- Acurácia de teste esperada: aproximadamente 75-80%
Utilisation de "torch-geometric". Crie uma Graph Attention Network para previsão de propriedades moleculares
Résultat attendu:
- Construído GAT com 8 cabeças de atenção por camada
- Usando conjunto de dados MoleculeNet para previsão de toxicidade
- Aplicadas transformações AddSelfLoops e NormalizeFeatures
- Modelo usa dropout 0.6 para regularização
Audit de sécurité
Risque faibleThis 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.
Problèmes à risque faible (1)
Facteurs de risque
📁 Accès au système de fichiers (4)
🌐 Accès réseau (2)
Score de qualité
Ce que vous pouvez construire
Prototipar Arquiteturas GNN
Experimentar diferentes camadas GNN e estratégias de treinamento em conjuntos de dados de referência.
Analisar Dados de Rede
Aplicar aprendizado de grafos a redes sociais, redes de citação e sistemas de recomendação.
Prever Propriedades Moleculares
Construir modelos para descoberta de medicamentos e tarefas de previsão de propriedades moleculares.
Essayez ces prompts
Me ajude a construir uma Rede Convolucional de Grafos para classificação de nós no conjunto de dados Cora usando PyTorch Geometric. Inclua carregamento de dados, definição do modelo e loop de treinamento.
Crie uma Graph Isomorphism Network (GIN) para classificação de grafos no conjunto de dados ENZYMES. Mostre como usar DataLoader e pooling global.
Me ajude a implementar uma camada MessagePassing personalizada no PyTorch Geometric que usa agregação baseada em atenção sobre características de vizinhos.
Mostre-me como usar NeighborLoader para treinar GNNs em grafos de grande escala como Reddit ou conjuntos de dados OGB com processamento em mini-lotes.
Bonnes pratiques
- Comece com GCNConv ou GATConv para modelos de referência antes de explorar arquiteturas mais complexas
- Use NeighborLoader para grafos grandes para permitir treinamento eficiente em mini-lotes
- Aplique transformações como NormalizeFeatures e AddSelfLoops durante o pré-processamento para melhores resultados
Éviter
- Usar muitas camadas GNN sem normalização (causa suavização excessiva)
- Treinar no grafo completo sem amostragem para grandes conjuntos de dados (problemas de memória)
- Ignorar máscaras de divisão treino/validação/teste e usar todos os rótulos para treinamento