圖神經網路驅動著藥物發現、社交網路分析和推薦系統等現代應用。本技能提供可立即使用的模板和文件，用於使用 PyTorch Geometric 實作圖神經網路。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「torch-geometric」。 Create a GCN model for the Cora citation network
預期結果:
- GCNConv 層與隱藏通道
- 帶有損失計算的訓練循環
- 在 train/val/test 遮罩上進行評估
- 模型保存至檢查點檔案
正在使用「torch-geometric」。 Load the TUDataset for graph classification
預期結果:
- 載入至 /tmp 的 ENZYMES TUDataset
- batch_size=32 的 DataLoader
- 全局平均池化層
- 訓練 100 個世代
正在使用「torch-geometric」。 Use attention mechanisms in my GNN
預期結果:
- 8 個注意力頭的 GATConv
- 應用於注意力係數的 Dropout
- ELU 激活函數
- 多头輸出連接後取平均
安全審計
安全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.
風險因素
⚙️ 外部命令 (4)
⚡ 包含腳本 (3)
🌐 網路存取 (1)
品質評分
你能建構什麼
建構分子性質預測器
在分子圖上訓練圖神經網路，以預測藥物性質、毒性和結合親和度，用於藥物發現。
建立引用網路分類器
在 Cora 和 PubMed 等引用網路上實作節點分類，用於論文分類和推薦。
分析社交網路
對大型社交網路應用圖注意力機制和採樣技術，用於社群偵測和影響力分析。
試試這些提示
使用 PyTorch Geometric 建構圖卷積網路，用於在 Cora 數據集上進行節點分類。包含訓練循環和評估。
建立 GraphSAGE 模型，使用全局平均池化和 DataLoader 在 ENZYMES 數據集上進行圖分類。
實作圖注意力網路 (GAT)，使用多头注意力機制進行引用網路分類。
展示如何使用 NeighborLoader 進行大規模圖的圖神經網路訓練，包含小批量處理和鄰居採樣。
最佳實務
- 在推論期間使用 model.eval() 和 torch.no_grad() 以停用梯度並確保確定性行為。
- 對大型圖使用具有適當 num_neighbors 的 NeighborLoader，以啟用高效的小批量訓練。
- 使用 torch.save() 搭配 state_dict 來保存模型，以實現高效的檢查點和可重現性。
避免
- 避免在沒有採樣的情況下對大型網路進行完整圖訓練，因為這會導致記憶體溢出。
- 不要忘記在訓練階段設定 model.train()，在評估階段設定 model.eval()。
- 避免硬編碼數據集路徑；使用 root 參數搭配臨時目錄來緩存數據集。
常見問題
什麼是 PyTorch Geometric？
支援哪些圖神經網路架構？
我可以載入哪些數據集？
如何處理大型圖？
可以進行分子性質預測嗎？
有哪些可用的轉換？
開發者詳情
作者
K-Dense-AI授權
MIT license
儲存庫
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/torch_geometric引用
main