<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/747012d4-b3c7-46c7-9bc2-49c7dc7bcec8.png" width="300"/> </p>

PyDGN：深度图网络研究库

文档

这是一个用于轻松实验深度图网络（DGNs）的Python库。它提供了数据分割、加载和常见实验设置的自动管理。它还处理模型选择和风险评估程序，通过并行尝试多种不同配置（CPU或GPU）。

引用本工作

如果您在项目中使用了这个库，请考虑引用我们：

@article{pydgn,
  author = {Errica, Federico and Bacciu, Davide and Micheli, Alessio},
  doi = {10.21105/joss.05713},
  journal = {Journal of Open Source Software},
  month = oct,
  number = {90},
  pages = {5713},
  title = {{PyDGN: a Python Library for Flexible and Reproducible Research on Deep Learning for Graphs}},
  url = {https://joss.theoj.org/papers/10.21105/joss.05713},
  volume = {8},
  year = {2023}
}

安装：

自动测试在Windows、Linux和MacOS上通过。至少需要Python 3.8。 只需运行

pip install pydgn

快速入门：

构建数据集和数据分割

pydgn-dataset --config-file examples/DATA_CONFIGS/config_NCI1.yml

训练

pydgn-train  --config-file examples/MODEL_CONFIGS/config_SupToyDGN.yml 

这样我们就启动并运行了！

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/e14c8fcc-4223-432c-861a-1d71fa1a28a7.png" width="600"/> </p>

要调试代码，可以在上述命令中添加--debug，但"GUI"将被禁用。

要停止计算，使用CTRL-C发送SIGINT信号，并考虑使用ray stop命令停止所有Ray进程。警告： ray stop会停止所有您启动的ray进程，包括其他正在进行的实验（如果有的话）。

使用训练好的模型

从实验中加载模型非常容易（另请参阅教程）：

from pydgn.evaluation.util import *

config = retrieve_best_configuration('RESULTS/supervised_grid_search_toy_NCI1/MODEL_ASSESSMENT/OUTER_FOLD_1/MODEL_SELECTION/')
splits_filepath = 'examples/DATA_SPLITS/CHEMICAL/NCI1/NCI1_outer10_inner1.splits'
device = 'cpu'

# 实例化数据集
dataset = instantiate_dataset_from_config(config)

# 实例化模型
model = instantiate_model_from_config(config, dataset, config_type="supervised_config")

# 加载模型的检查点，假设已加载最佳配置
checkpoint_location = 'RESULTS/supervised_grid_search_toy_NCI1/MODEL_ASSESSMENT/OUTER_FOLD_1/final_run1/best_checkpoint.pth'
load_checkpoint(checkpoint_location, model, device=device)

# 现在可以调用模型的前向方法
y, embeddings = model(dataset[0])

使用PyDGN的项目

• 无限上下文图马尔可夫模型（ICML 2022）
• 图混合密度网络（ICML 2021）
• 上下文图马尔可夫模型（ICML 2018，JMLR 2020）
• 扩展上下文图马尔可夫模型（IJCNN 2021）
• 图的持续学习基准（WWW研讨会2021，聚焦）

数据分割

我们提供了来自以下论文的数据分割：

Errica Federico, Podda Marco, Bacciu Davide, Micheli Alessio: 图神经网络用于图分类的公平比较。第8届国际学习表示会议（ICLR 2020）。 代码

这些数据分割位于examples/DATA_SPLITS文件夹中。

许可证：

PyDGN >= 1.0.0采用BSD 3-Clause许可，如LICENSE文件所述。