23 search results for "PyG"

在这篇文章中，我们将探讨为什么实验编排很重要，现有的编排解决方案，如何使用MongoDB构建自己的编排器，以及在某些用例中可能有哪些好处…

在这篇博文中，我们介绍了图机器学习的基础知识。 我们首先研究了图是什么，为什么要使用图，以及如何最好地表示它们。然后简要介绍了人们在图上学习的方法，从前神经方法（同时探索图特征）到通常称为图神经网络的方法。最后，我们瞥见了用于图的Transformer。 图 什么是图？ 本质上，图是通过关系链接的项目的描述。 图的示例包括社交网络（Twitter、Mastodon、任何将论文和作者链接起来的引用网络）、分子、知识图（如UML图、百科全书和带有页面之间超链接的任何网站）、以其句法树表示的句子、任何三维网格等等！因此，可以说图无处不在。 图的项目（或网络）称为其节点（或顶点），它们之间的连接称为边（或链接）。例如，在社交网络中，节点是用户，边是它们之间的连接；在分子中，节点是原子，边是它们之间的化学键。 具有类型节点或类型边的图称为异构图（例如：引用网络中的项目可以是论文或作者，具有类型节点；XML图中的关系是有类型的，具有类型边）。它不能仅通过其拓扑结构来表示，它需要额外的信息。本文重点介绍同质图。 图也可以是有向的（如关注者网络，A关注B并不意味着B关注A）或无向的（如分子，原子之间的关系是双向的）。边可以连接不同的节点或一个节点本身（自连接），但不是所有节点都需要连接。 如果要使用您的数据，您必须首先考虑其最佳描述方式（同质/异构、有向/无向等）。 图有什么用途？ 让我们看一下我们可以在图上做哪些可能的任务。 在图级别上，主要任务包括： 图生成，在药物发现中用于生成新的合理分子。 图演化（给定一个图，预测它随时间的演化），在物理学中用于预测系统的演化。 图级别的预测（从图中进行分类或回归任务），例如预测分子的毒性。 在节点级别上，通常是节点属性预测。例如，Alphafold使用节点属性预测来预测给定分子的整体图的情况下，原子的三维坐标，从而预测分子在三维空间中的折叠方式，这是一个困难的生物化学问题。 在边级别上，可以是边属性预测或缺失边预测。边属性预测有助于药物副作用预测，可以根据一对药物预测不良副作用。缺失边预测在推荐系统中用于预测图中两个节点是否相关。 还可以在子图级别上进行社区检测或子图属性预测。社交网络使用社区检测来确定人们的联系方式。子图属性预测可以在行程系统（例如Google Maps）中找到，用于预测预计到达时间。 在这些任务上工作可以通过两种方式完成。 当您想要预测特定图的演化时，您可以在遍历设置中进行工作，其中所有内容（训练、验证和测试）都在同一个图上完成。如果这是您的设置，请注意！从单个图创建训练/评估/测试数据集并不简单。然而，大部分工作都是使用不同的图进行的（分开的训练/评估/测试拆分），这被称为归纳设置。 我们如何表示图？ 用于处理和操作图的常见表示方法有： 作为所有边的集合（可能补充有所有节点的集合）…

在之前的博客中，我们探讨了关于图机器学习的一些理论方面。这篇博客将介绍如何使用Transformers库进行图分类（您也可以通过下载演示笔记本来跟随这个过程！） 目前，在Transformers中唯一可用的图转换模型是微软的Graphormer，所以我们将在这里使用它。我们期待看到其他人将会使用和整合哪些模型 🤗 要求 要按照本教程操作，您需要安装datasets和transformers（版本>=4.27.2），您可以使用pip install -U datasets transformers来安装。 数据 要使用图数据，您可以从自己的数据集开始，或者使用Hub上提供的数据集。我们将重点介绍如何使用已有的数据集，但是您也可以随意添加您自己的数据集！ 加载 从Hub加载图数据集非常简单。让我们加载”ogbg-mohiv”数据集（Stanford的Open Graph Benchmark中的一个基准数据集），该数据集存储在OGB仓库中： from datasets import load_dataset # Hub上只有一个分割 dataset = load_dataset(“OGB/ogbg-molhiv”) dataset…