【亲测免费】 E(n)等变图神经网络（EGNN）项目指南

项目概述

本指南旨在帮助开发者了解并使用从vgsatorras/egnn获取的E(n)等变图神经网络实现。此项目基于PyTorch 1.7.1，引入了一种新的模型来构建对旋转、平移、反射和排列等变换保持不变的图神经网络，即EGNN。

1. 目录结构及介绍

项目的主要目录结构如下：

egnn/
├── ae_datasets        # 自动编码器数据集相关代码
├── eval               # 评估脚本或函数
├── graph.py           # 图操作相关的代码
├── losses.py          # 损失函数定义
├── main_ae.py         # 图自动编码器实验入口
├── main_nbody.py      # N-body系统实验的运行脚本
├── main_qm9.py        # QM9数据集上的实验脚本
├── models             # 包含模型定义，如egnn_clean.py是EGNN的一个干净实现示例
│   ├── egnn_clean.py  # 简化版EGNN实现
├── README.md          # 项目说明文档
├── .gitignore         # Git忽略文件配置
├── LICENSE            # 许可证文件，采用MIT许可证
└── ...                # 其它未列出的支持文件和子目录

• ae_datasets：用于图自动编码器的数据集处理。
• eval, losses.py：提供模型训练后的评估逻辑和损失函数实现。
• main_*.py：这些脚本是特定实验的入口点，如N-body系统模拟、图自动编码器实验和QM9分子性质预测。
• models：核心模型定义，其中egnn_clean.py提供了基础的EGNN实现。

2. 启动文件介绍

主要启动文件

• main_ae.py: 用于启动图自动编码器的实验，支持不同的数据集和模型类型。
• main_nbody.py: 针对N-body系统的模拟和学习任务，可以调整参数进行不同场景下的实验。
• main_qm9.py: 在QM9分子数据集上执行预测任务，支持多种属性的学习。

示例启动流程

以运行一个简单的EGNN在N-body系统实验为例，你需要在命令行中输入：

python main_nbody.py --exp_name exp_1_egnn_vel --model egnn_vel --max_training_samples 3000 --lr 5e-4

这将开始一个使用EGNN模型、针对速度预测的N-body系统实验，训练样本数量设定为3000，学习率为0.0005。

3. 配置文件介绍

该项目并未明确提供单独的配置文件，而是通过命令行参数的方式进行配置。关键的配置项通常包括模型选择(--model)、实验名称(--exp_name)、训练样本次数(--max_training_samples)、学习率(--lr)等。在执行任何脚本之前，用户需要根据具体实验需求修改相应的命令行参数。

对于模型内部的配置（如层深、节点特征维度等），这些通常在初始化模型实例时直接通过函数参数指定，例如在Python代码中直接配置：

egnn = eg.EGNN(in_node_nf=n_feat, hidden_nf=32, out_node_nf=1, in_edge_nf=1)

这种配置方式要求用户在调用脚本或定义模型时手动设置所有必要的超参数。

---

通过以上信息，您可以开始探索EGNN项目，调整参数进行实验，并基于这个框架开发自己的图神经网络应用。记得查看README.md文件，了解更多细节和实验例子。