torch-geometric
Создавайте графовые нейронные сети с PyTorch Geometric
Также доступно от: davila7
Графовые нейронные сети лежат в основе современных приложений, таких как поиск лекарств, анализ социальных сетей и рекомендательные системы. Этот навык предоставляет готовые шаблоны и документацию для реализации GNN с PyTorch Geometric.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «torch-geometric». Create a GCN model for the Cora citation network
Ожидаемый результат:
- GCNConv layers with hidden channels
- Training loop with loss calculation
- Evaluation on train/val/test masks
- Model saved to checkpoint file
Использование «torch-geometric». Load the TUDataset for graph classification
Ожидаемый результат:
- TUDataset with ENZYMES loaded to /tmp
- DataLoader with batch_size=32
- Global mean pooling layer
- Training across 100 epochs
Использование «torch-geometric». Use attention mechanisms in my GNN
Ожидаемый результат:
- GATConv with 8 attention heads
- Dropout applied to attention coefficients
- ELU activation function
- Multi-head output concatenated then averaged
Аудит безопасности
БезопасноAll 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.
Факторы риска
⚙️ Внешние команды (4)
📁 Доступ к файловой системе (2)
⚡ Содержит скрипты (3)
🌐 Доступ к сети (1)
Оценка качества
Что вы можете построить
Создание предикторов свойств молекул
Обучайте GNN на молекулярных графах для прогнозирования свойств лекарств, токсичности и аффинности связывания в задачах поиска лекарств.
Создание классификаторов сетей цитирования
Реализуйте классификацию узлов в сетях цитирования, таких как Cora и PubMed, для категоризации и рекомендаций статей.
Анализ социальных сетей
Применяйте графовое внимание и методы сэмплинга к большим социальным сетям для выявления сообществ и анализа влияния.
Попробуйте эти промпты
Build a Graph Convolutional Network for node classification on the Cora dataset using PyTorch Geometric. Include training loop and evaluation.
Create a GraphSAGE model for graph classification on the ENZYMES dataset using global mean pooling and DataLoader.
Implement a Graph Attention Network (GAT) with multi-head attention for citation network classification.
Show how to use NeighborLoader for training GNNs on large-scale graphs with mini-batch processing and neighbor sampling.
Лучшие практики
- Используйте model.eval() и torch.no_grad() во время инференса, чтобы отключить градиенты и обеспечить детерминированное поведение.
- Применяйте NeighborLoader с подходящим num_neighbors для больших графов, чтобы обеспечить эффективное обучение в мини-батчах.
- Сохраняйте модели с помощью torch.save() и state_dict для эффективных чекпойнтов и воспроизводимости.
Избегать
- Избегайте обучения на полных графах без сэмплинга для больших сетей, так как это приводит к переполнению памяти.
- Не забывайте устанавливать model.train() во время обучения и model.eval() во время оценки.
- Не хардкодьте пути к датасетам; используйте параметр root с временными директориями для кэширования датасетов.
Часто задаваемые вопросы
Что такое PyTorch Geometric?
Какие архитектуры GNN поддерживаются?
Какие датасеты можно загрузить?
Как обрабатывать большие графы?
Можно ли делать предсказание свойств молекул?
Какие трансформации доступны?
Сведения для разработчиков
Автор
K-Dense-AIЛицензия
MIT license
Репозиторий
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/torch_geometricСсылка
main
Структура файлов