Создание графовых нейронных сетей с помощью PyTorch Geometric
Проекты по машинному обучению на графах требуют тщательного выбора данных, моделей, методов сэмплирования и оценки. Этот навык предоставляет руководства, примеры, шаблоны, тесты производительности и утилиты визуализации для PyTorch Geometric.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "torch-geometric" from https://skillstore.io/skills/davila7-torch-geometric.md and its manifest at https://skillstore.io/api/skills/davila7-torch-geometric/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «torch-geometric». Мне нужна базовая модель для классификации узлов Cora.
Ожидаемый результат:
Использование «torch-geometric». Мой социальный граф содержит миллионы узлов и не помещается в памяти.
Ожидаемый результат:
Используйте сэмплирование соседей с ограниченным количеством переходов, вычисление функции потерь по начальным узлам, контролируемые размеры пакетов и валидацию при стабильной конфигурации сэмплирования.
Использование «torch-geometric». Сравните GAT и GraphSAGE для графа товаров.
Ожидаемый результат:
The audit reviewed all 175 static findings. One medium-risk issue is confirmed because the template generator can overwrite any writable path supplied through its output argument. All other alerts are benign PyTorch calls, Markdown formatting, dataset cache paths, dictionary keys, imports, or official URLs.
Это реальные локальные возможности, которые могут ожидаться для этого навыка, поэтому они требуют проверки, но не считаются подтверждённым вредоносным поведением.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/davila7-torch-geometric/audits/11?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-torch-geometric?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-torch-geometric?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-torch-geometric/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-torch-geometric.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). torch-geometric security audit report (audit version 11) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-torch-geometric/audits/11@techreport{davila7-davila7-torch-geometric-2026,
author = {davila7},
title = {torch-geometric security audit report (audit version 11)},
institution = {Skillstore},
year = {2026},
number = {11},
url = {https://skillstore.io/skills/davila7-torch-geometric/audits/11},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "torch-geometric security audit report (audit version 11)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-torch-geometric/audits/11"
identifiers:
- type: other
value: "skillstore:davila7-torch-geometric:audit:11"
description: "Skillstore immutable audit report identifier"
Навык каждого автора остаётся отдельным устанавливаемым вариантом. Рекомендуемый вариант ранжируется по данным Skillstore.
Почему этот вариант первый
davila7-torch-geometric
2026-09-09
k-dense-ai-torch-geometric
2026-09-09
Выберите слой PyG, загрузите набор данных с цитированиями и создайте процесс обучения с масками для оценки.
Выполните многократные тесты производительности GCN, GAT и GraphSAGE на поддерживаемом наборе данных.
Визуализируйте топологию графа, распределение степеней, метки и базовую статистику до начала разработки модели.
Объясни, как представить мой граф в PyTorch Geometric. Признаки моих узлов: {features}, формат рёбер: {edge_format}.Разработай процесс классификации узлов на основе {GCN|GAT|GraphSAGE} для {dataset}. Включи предварительную обработку, структуру модели, обучение, валидацию и оценку на тестовой выборке.Адаптируй мой конвейер PyTorch Geometric для {node_count} узлов и {edge_count} рёбер. Порекомендуй стратегию сэмплирования, пакетной обработки, управления памятью и оценки.Разработай гетерогенную GNN для типов узлов {node_types} и типов рёбер {edge_types}. Опиши обработку метаданных, слои отношений, функции потерь и валидацию.Автор
davila7Лицензия
MIT
Ревизия Skillstore
r2
Примечание о версии
Автор не указал версию.
Ссылка
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Актуальность поддержки
26.07.2026
Использование
8 загрузок · 221 просмотров
Структура файлов
Создание исследовательских постеров в LaTeX
Исследовательские постеры сложно форматировать и проверять для печати в LaTeX. Этот навык предоставляет шаблоны, рекомендации по макету и проверки PDF для постеров, готовых к конференции.
Создавайте маркетинговый контент, готовый для SEO
Маркетинговым командам нужен понятный контент, который соответствует голосу бренда и поисковым целям. Этот навык предоставляет шаблоны, скрипты анализа и рекомендации по платформам для повторяемого производства контента.
Создание структурированных планов медицинского лечения
Клинические планы лечения часто оказываются непоследовательными, слишком объемными или сложными для проверки. Этот навык предоставляет специализированные шаблоны, измеримые цели, временные рамки и локальные средства контроля качества.
Создание структурированных клинических отчетов
Клиническим командам нужны понятные отчеты, соответствующие медицинским и регуляторным стандартам. Этот навык предоставляет шаблоны, чек-листы и рекомендации по валидации для описаний клинических случаев, диагностических отчетов, исследований и заметок о пациентах.
Анализ файлов научных данных
Файлы научных данных сложно исследовать, поскольку каждый формат по-разному хранит структуру и метаданные. Этот навык определяет форматы, оценивает качество данных и создает практические отчеты по разведочному анализу данных в формате markdown.
Запуск рабочих процессов молекулярного докинга DiffDock
Настройка молекулярного докинга часто завершается неудачей, поскольку сложно согласовать входные данные, параметры и оценки уверенности. Этот навык помогает выполнять рабочие процессы DiffDock от подготовки до анализа результатов.
Анализируйте терапевтические ML-наборы данных с PyTDC
от K-Dense-AI
Командам по разработке лекарств нужны надежные наборы данных и справедливые протоколы оценки. Этот навык помогает Claude использовать PyTDC для курируемых терапевтических ML-данных, benchmark-разбиений, метрик и молекулярных оракулов.
Создание продакшен-систем компьютерного зрения
от alirezarezvani
Командам компьютерного зрения нужны надежные рекомендации по моделям, датасетам, инференсу и развертыванию. Этот навык помогает планировать и оптимизировать продакшен-пайплайны компьютерного зрения с практическими инженерными проверками.
Проектирование экспериментов и моделей в науке о данных
от alirezarezvani
Проекты в области науки о данных часто терпят неудачу, когда эксперименты, признаки и модели не имеют четкой статистической структуры. Этот навык дает Claude, Codex и Claude Code пошаговые рабочие процессы для экспериментов, инженерии признаков и анализа моделей.
Проверка ML-процессов на скрытые антипаттерны
от Doyajin174
ML-проекты могут выглядеть точными, пока утечка данных или слабая оценка скрывают серьезные недостатки. Этот навык помогает проводить структурированные проверки разбиений, метрик, обучения и готовности к развертыванию.
Отладка сбоев ML-обучения
от DNYoussef
ML-обучение может завершаться сбоем из-за loss со значением NaN, переобучения, медленной сходимости или нестабильных градиентов. Этот навык помогает с диагностикой, точечными исправлениями, валидацией и подготовкой отчетов.
Создавайте рабочие процессы молекулярного ML с DeepChem
от K-Dense-AI
Молекулярное машинное обучение часто требует специализированных феатуризаторов, наборов данных и методов оценки. Этот навык помогает Claude, Codex и Claude Code проектировать рабочие процессы DeepChem для прогнозирования свойств, transfer learning и бенчмарков.