PyG（PyTorch Geometric）是一个建立在 PyTorch 基础上的库，用于轻松编写和训练图神经网络（GNN），用于与结构化数据相关的广泛应用。
它包括在图和其他不规则结构上进行深度学习的各种方法，也被称为几何深度学习，来自各种已发表的论文。此外，它还包括易于使用的迷你批量加载器（mini-batch loaders），用于在许多小型和单一的巨型图形上操作；多 GPU 支持、大量常见的基准数据集（基于简单的接口来创建你自己的数据集）；以及有用的变换，既可以在任意图形上学习，也可以在3D网格或点云上学习。
优点：
- 易于使用且统一的 API：只需 10-20 行代码即可开始训练 GNN 模型（有关快速浏览，请参阅下一节）。PyG 是 PyTorch-on-the-rocks：它利用以张量为中心的 API，并保持接近原版 PyTorch 的设计原则。如果你已经熟悉 PyTorch，那么使用 PyG 很简单。
- 全面且维护良好的 GNN 模型：大多数最先进的图神经网络架构已由库开发人员或研究论文的作者实施，并已准备好应用。
- 极大的灵活性：可以轻松扩展现有的 PyG 模型，以使用 GNN 进行你自己的研究。由于其易于使用的消息传递 API 以及各种运算符和实用函数，对现有模型进行修改或创建新架构非常简单。
- 大规模真实世界 GNN 模型：专注于 GNN 应用在具有挑战性的真实世界场景中的需求，并支持对不同类型图的学习，包括但不限于：具有数百万节点的图的可扩展 GNN；随着时间的推移，用于节点预测的动态 GNN；具有多种节点类型和边类型的异构 GNN。
-
PyG(PyTorch Geometric)安装教程(附Cora数据集) PyG是多特蒙德工业大学（Technische University Dortmund）的Matthias Fey博士基于PyTorch框架提出的图卷积(Graph Convolution Net)神经网络框架，用于方便地编写和训练图神经网络(GNNs)。该框架由各种对图和其他不规则结构进行深度学习的方法组成，且提供了大量的
-
最近在学习图神经网络相关的知识，发现主要使用的库有两个：dgl和pyg，但是pyg的资料是英文的，而且网上资料也比较少，就翻译一下分享。 图数据处理 单张图被PyG表示为torch_geometric.data.Data类型，有如下属性： data.x: 节点的特征矩阵，形状为 [num_nodes, num_node_features] data.edge_index: COO格式的图的边 sh
-
神经网络 (Neural Network) 是机器学习的一个分支，全称人工神经网络（Artificial Neural Network，缩写 ANN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。 Perceptron (感知器) 一个典型的神经网络由输入层、一个或多个隐藏层以及输出层组成，其中箭头代表着数据流动的方向，而圆圈代表激活函数（最常用的激活函数为
-
译者：bat67 最新版会在译者仓库首先同步。 可以使用torch.nn包来构建神经网络. 我们以及介绍了autograd，nn包依赖于autograd包来定义模型并对它们求导。一个nn.Module包含各个层和一个forward(input)方法，该方法返回output。 例如，下面这个神经网络可以对数字进行分类： 这是一个简单的前馈神经网络（feed-forward network）。它接受一
-
我用newff在Matlab中创建了一个用于手写数字识别的神经网络。 我只是训练它只识别0 输入层有9个神经元，隐层有5个神经元，输出层有1个神经元，共有9个输入。 我的赔率是0.1 我在Matlab中进行了测试，网络运行良好。现在我想用c语言创建这个网络，我编写了代码并复制了所有的权重和偏差（总共146个权重）。但当我将相同的输入数据输入到网络时，输出值不正确。 你们谁能给我指点路吗？ 这是我的
-
我玩神经网络。我了解卷积层、完全连接层和许多其他东西是如何工作的。我还知道什么是梯度，以及如何训练这样的网络。 框架千层面包含一个称为InverseLayer的层。 InverseLayer类通过应用要反转的层相对于其输入的偏导数，对神经网络的单层执行反转操作。 我不知道这是什么意思，或者我应该在什么时候使用这个层。或者倒置偏导数背后的想法是什么？ 非常感谢你
-
我用两个输出神经元会得到更好的结果吗？（一个激活为“是音乐”，另一个激活为“不是音乐”）。 （您可以在这里看到这方面的C++源代码：https://github.com/mcmenaminadrian/musonet--尽管在任何给定的时间，公开回购中的内容可能并不完全是我在机器上使用的内容。）
-
递归神经网络 递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），另一种是结构递归神经网络（recursive neural network）。时间递归神经网络的神经元间连接构成有向图，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。两者训练的算法不同，但属于同一算法变体（百度百科）。本节我们重点介绍时间递
-
PyTorch包含创建和实现神经网络的特殊功能。在本章中，我们将创建一个简单的神经网络，实现一个隐藏层开发单个输出单元。 我们将使用以下步骤使用PyTorch实现第一个神经网络 - 第1步 首先，需要使用以下命令导入PyTorch库 - 第2步 定义所有图层和批量大小以开始执行神经网络，如下所示 - 第3步 由于神经网络包含输入数据的组合以获得相应的输出数据，使用以下给出的相同程序 - 第4步 借
-
我正在学习神经网络和反向传播。我想我了解网络是如何工作的，在输入、输出、隐藏层、权重、偏差等方面。但是，我仍然不完全了解如何设计一个网络来适应一个问题。IE：假设我想要一个神经网络来学习如何演奏曲子，我该如何把这个问题转化为神经网络的设计呢？欢呼：）