免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

一行代碼命令可以做什么？

“一行命令可以實現‘一條龍’運行實驗。”

近年來，結構化數據的表示學習備受業界關注與熱捧，圖神經網絡成為處理相關工作的有力工具，基于隨機游走、矩陣分解的方法在搜索推薦、分子和藥物生成等領域有著十分重要的應用。

但是，由于許多項目的代碼并未開源或者開源代碼的風格多種多樣，研究者和使用者在使用這些方法的過程中會遇到各種各樣的問題，比如實驗復現以及如何在自己的數據集上運行模型等。

具體而言（以學術研究為例），研究者和使用者在從事研究過程中需要將自己提出的模型與其他模型進行對比，來驗證所提出模型的有效性。但在對比過程中，他們需要選定若干個下游任務，在每個任務下，通過公平的評估方式來對比不同模型的性能，由于不同模型在提出時可能會使用不完全一致的下游任務或者評估方式，他們需要花費大量精力修改基線模型來進行適配。

那么，如何快速、便捷地使用已有的圖表示學習等模型來復現基線模型（baseline），并將這些模型應用到自定義的數據集或模型上？

為此，清華大學知識工程實驗室（KEG）聯合北京智源人工智能研究院（BAAI）開發了一種基于圖深度學習的開源工具包——CogDL（底層架構為 PyTorch，編程語言為 Python）。

據 CogDL 開發者介紹，該工具包通過整合多種不同的下游任務，同時搭配合適的評估方式，使得研究者和使用者可以方便、快速地運行出各種基線模型的結果，進而將更多精力投入研發新模型的工作之中。

“對圖領域中每種任務，我們提供了一套完整的“數據處理－模型搭建－模型訓練－模型評估”的方案，易于研發人員做相關的實驗。比如對于圖上半監督節點分類任務，我們整合了常用的數據集 Cora、Citeseer、Pubmed，提供了經典的／前沿的各種模型（包括GCN、GAT、GCNII 等），提供了相應的訓練腳本，并且整理出了一個相應的排行榜作為參考。” CogDL 開發者說。

CogDL 最特別的一點在于它以任務（task）為導向來集成所有算法，將每一個算法分配在一個或多個任務下，從而構建了 “數據處理－模型搭建－模型訓練和驗證” 一條龍的實現。

＃ GCN 和 GAT 在 Cora 和 Citeseer 上的實驗python scripts／train．py －－task node＿classification －－dataset cora citeseer －－model gcn gat

此外，CogDL 也支持研究者和使用者自定義模型和數據集，并嵌入在 CogDL 的整體框架下，從而幫助他們提高開發效率，同時也包含了當前許多數據集上 SOTA 算法的實現，并且仍然在不斷更新。

CogDL：面向任務，擴展算法

圖表示學習算法可以分為兩類：一類是基于圖神經網絡的算法，另一類是基于 Skip－gram 或矩陣分解的算法。前者包括 GCN、GAT、GraphSAGE 和 DiffPool 等，以及適用于異構圖的 RGCN、GATNE 等；后者則包括 Deepwalk、Node2Vec、HOPE 和 NetMF 等，以及用于圖分類的 DGK、graph2vec 等算法。

大體上，CogDL 將已有圖表示學習算法劃分為以下 6 項任務：

有監督節點分類任務（node classification）：包括 GCN、GAT、GraphSAGE、MixHop 和 GRAND 等；無監督節點分類任務（unsupervised node classification）：包括 DGI、GraphSAGE（無監督實現），以及 Deepwalk、Node2vec、ProNE 等；有監督圖分類任務（graph classification）：包括 GIN、DiffPool、SortPool 等；無監督圖分類任務（unsupervised graph classification）：包括 InfoGraph、DGK、Graph2Vec 等；鏈接預測任務（link prediction）：包括 RGCN、CompGCN、GATNE 等；異構節點分類（multiplex node classification）：包括 GTN、HAN、Metapath2vec 等。

CogDL 還包括圖上的預訓練模型 GCC，GCC 主要利用圖的結構信息來預訓練圖神經網絡，從而使得該網絡可以遷移到其他數據集上，來取得較好的節點分類和圖分類的效果。