- 授权协议: GPLv3
- 开发语言: Python
- 操作系统: 跨平台
- 软件首页: https://github.com/CrawlScript/TF-GNN
- 软件文档: https://github.com/CrawlScript/TF-GNN
- 官方下载: https://github.com/CrawlScript/TF-GNN
软件介绍
TF-GNN是基于TensorFlow的图神经网络框架,包含了图卷积网络(GCN)和图注意力网络(GAT)等常见的深度图神经网络。框架内部使用了稀疏矩阵等解决了图神经网络的计算效率和规模问题。
项目内容:
图神经网络(如GCN、GAT等)的工程化一直是一个大问题,在数据预处理、网络构建、性能优化等方面都需要细致的考虑。TF-GNN基于TensorFLow,为图神经网络提供了下面的功能:
图神经网络数据集的构建,包括将图神经网络存储格式、图数据的读取、训练测试划分等
基于稀疏矩阵的数据结构大大提升了框架的性能,在CPU上也可以轻松地运行图神经网络
提供了GCN和GAT层,可以直接构建GCN和GAT
数据集:
内置了下面的已经格式化的数据集:
DBLP(论文引用数据集)
M10(论文引用数据集)
示例:
图卷积网络示例(Graph Convolutional Networks):
# coding=utf-8 from gnn.data.dataset import GraphDataset, WhiteSpaceTokenizer from gnn.data.example import load_M10, load_cora, load_dblp from gnn.model.gcn import GCN, GCNTrainer import tensorflow as tf # eager mode must be enabled from tensorflow.contrib.eager.python import tfe import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" tfe.enable_eager_execution() # read graph dataset: data/M10 data/dblp # dataset = GraphDataset("data/dblp", ignore_featureless_node=True) dataset = load_M10("data/M10", ignore_featureless_node=True) adj = dataset.adj_matrix(sparse=True) feature_matrix, feature_masks = dataset.feature_matrix(bag_of_words=True, sparse=True) labels, label_masks = dataset.label_list_or_matrix(one_hot=False) train_node_indices, test_node_indices, train_masks, test_masks = dataset.split_train_and_test(training_rate=0.3) gcn_model = GCN([16, dataset.num_classes()]) gcn_trainer = GCNTrainer(gcn_model) gcn_trainer.train(adj, feature_matrix, labels, train_masks, test_masks, learning_rate=1e-3, l2_coe=1e-3)
企业应用架构模式
Martin Fowler、王怀民、周斌 / 王怀民、周斌 / 机械工业出版社 / 2004-7 / 49.00元
本书作者是当今面向对象软件开发的权威,他在一组专家级合作者的帮助下,将40多种经常出现的解决方案转化成模式,最终写成这本能够应用于任何一种企业应用平台的、关于解决方案的、不可或缺的手册。本书获得了2003年度美国软件开发杂志图书类的生产效率奖和读者选择奖。本书分为两大部分。第一部分是关于如何开发企业应用的简单介绍。第二部分是本书的主体,是关于模式的详细参考手册,每个模式都给出使用方法和实现信息,并一起来看看 《企业应用架构模式》 这本书的介绍吧!