本文经AI新媒体量子位（公家号ID:QbitAI）授权转载，转载请接洽出处。

“CNN已老，GNN当立！”

当科学家们发明，图神经收集 (GNN) 能搞定传统CNN处理赏罚不了的非欧数据，以前深度进修解不开的很多题目都找到了钥匙。

现在，有个图收集PyTorch库，已在GitHub摘下2000多星，还被CNN的爸爸Yann LeCun翻了牌：

它叫PyTorch Geometric，简称PyG，，聚积了26项图收集研究的代码实现。

这个库还很快，比起先进DGL图收集库，PyG最高可以到达它的15倍速率。

一应俱全的库

要跑布局犯科则的数据，就用PyG吧。不管是图形 (Graphs)，点云 (Point Clouds) 照旧流形(Manifolds) 。

△ 右边是犯科则的，非欧空间

这是一个丰厚的库：很多模子的PyTorch实现，各类有效的转换 (Transforms) ，以及大量常见的benchmark数据集，一应俱全。

说到实现，包罗Kipf等人的图卷积收集 (GCN) 和Bengio尝试室的图留意力收集 (GAT) 在内，2017-2019年各大顶会的 (至少) 26项图收集研究，这里都能找到快速实现。

到底能多快？PyG的两位作者用英伟达GTX 1080Ti做了尝试。

敌手DGL，也是图收集库：

在四个数据集里，PyG所有比DGL跑得快。最悬殊的一场角逐，是在Cora数据集上运行GAT模子：跑200个epoch，敌手耗时33.4秒，PyG只要2.2秒，相等于对方速率的15倍。

每个算法的实现，都支持了CPU计较和GPU计较。

食用要领

库的作者，是两位德国少年，来自多特蒙德家产大学。

△ 个中一位

他们说，有了PyG，做起图收集就像一阵轻风。

你看，实现一个边沿卷积层 (Edge Convolution Layer) 只要这样罢了：

 1import torch 
 2from torch.nn import Sequential as Seq, Linear as Lin, ReLU 
 3from torch_geometric.nn import MessagePassing 
 4 
 5class EdgeConv(MessagePassing): 
 6 def __init__(self, F_in, F_out): 
 7 super(EdgeConv, self).__init__() 
 8 self.mlp = Seq(Lin(2 * F_in, F_out), ReLU(), Lin(F_out, F_out)) 
 9 
10 def forward(self, x, edge_index): 
11 # x has shape [N, F_in] 
12 # edge_index has shape [2, E] 
13 return self.propagate(aggr='max', edge_index=edge_index, x=x) # shape [N, F_out] 
14 
15 def message(self, x_i, x_j): 
16 # x_i has shape [E, F_in] 
17 # x_j has shape [E, F_in] 
18 edge_features = torch.cat([x_i, x_j - x_i], dim=1) # shape [E, 2 * F_in] 
19 return self.mlp(edge_features) # shape [E, F_out] 

安装之前确认一下，至少要有PyTorch 1.0.0；再确认一下cuda/bin在$PATH里，cuda/include在$CPATH里：

1$ python -c "import torch; print(torch.__version__)" 
2>>> 1.0.0 
3 
4$ echo $PATH 
5>>> /usr/local/cuda/bin:... 
6 
7$ echo $CPATH 
8>>> /usr/local/cuda/include:... 

然后，就开始各类pip install吧。

PyG项目传送门：

https://github.com/rusty1s/pytorch_geometric

PyG主页传送门：

https://rusty1s.github.io/pytorch_geometric/build/html/index.html

PyG论文传送门：

https://arxiv.org/pdf/1903.02428.pdf

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!