GraphSAINT 开源项目使用教程
2024-09-18 08:36:45作者:薛曦旖Francesca
1. 项目目录结构及介绍
GraphSAINT 项目的目录结构如下:
GraphSAINT/
├── data/
│ ├── open_graph_benchmark/
│ └── ...
├── graphsaint/
│ ├── cython_sampler.pyx
│ ├── graph_samplers.py
│ ├── globals.py
│ ├── tensorflow_version/
│ │ ├── model.py
│ │ └── train.py
│ ├── pytorch_version/
│ │ ├── model.py
│ │ └── train.py
│ └── ...
├── ipdps19_cpp/
│ ├── README.md
│ └── ...
├── train_config/
│ ├── table2/
│ ├── explore/
│ └── open_graph_benchmark/
├── .gitignore
├── LICENSE
├── README.md
├── convert.py
├── dataset_details.md
├── overview_diagram.png
└── run_graphsaint.sh
目录结构介绍
- data/: 存放数据集的目录,包括
open_graph_benchmark
等子目录。 - graphsaint/: 核心代码目录,包含 TensorFlow 和 PyTorch 版本的实现,以及 Cython 采样器和全局配置文件。
- ipdps19_cpp/: 包含 IEEE/IPDPS 2019 论文的 C++ 实现。
- train_config/: 训练配置文件目录,包含不同实验的配置文件。
- .gitignore: Git 忽略文件。
- LICENSE: 项目许可证文件。
- README.md: 项目介绍和使用说明。
- convert.py: 数据转换脚本。
- dataset_details.md: 数据集详细信息。
- overview_diagram.png: 项目概览图。
- run_graphsaint.sh: 项目启动脚本。
2. 项目启动文件介绍
run_graphsaint.sh
run_graphsaint.sh
是项目的启动脚本,用于编译 Cython 模块并启动训练。脚本内容如下:
#!/bin/bash
# 编译 Cython 模块
python graphsaint/setup.py build_ext --inplace
# 启动训练
python -m graphsaint <tensorflow/pytorch>_version train --data_prefix /data/<dataset_name> --train_config <path to train_config yml> --gpu <GPU number>
启动步骤
- 编译 Cython 模块: 运行
python graphsaint/setup.py build_ext --inplace
编译 Cython 模块。 - 启动训练: 使用
python -m graphsaint <tensorflow/pytorch>_version train
命令启动训练,指定数据集路径和配置文件路径。
3. 项目的配置文件介绍
train_config/
train_config/
目录下包含多个配置文件,用于不同实验的参数设置。以下是一些关键配置文件的介绍:
- table2/: 包含用于重现 Table 2 结果的配置文件。
- explore/: 包含用于探索更深 GNN 和不同 GNN 架构的配置文件。
- open_graph_benchmark/: 包含用于 Open Graph Benchmark 数据集的配置文件。
配置文件格式
配置文件采用 YAML 格式,示例如下:
train:
batch_size: 512
num_epochs: 100
learning_rate: 0.001
weight_decay: 0.0005
model:
type: GAT
num_layers: 2
hidden_units: 64
sampler:
type: RW
num_walks: 10
walk_length: 20
配置文件参数说明
- train: 训练相关参数,如批量大小、训练轮数、学习率等。
- model: 模型相关参数,如模型类型、层数、隐藏单元数等。
- sampler: 采样器相关参数,如采样类型、随机游走次数、游走长度等。
通过调整这些配置文件,可以灵活地进行不同实验和模型训练。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0288Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
166
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
88
568

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

一个高性能、可扩展、轻量、省心的仓颉应用开发框架。IoC,Rest,宏路由,Json,中间件,参数绑定与校验,文件上传下载,OAuth2,MCP......
Cangjie
94
15

React Native鸿蒙化仓库
C++
199
279

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
564