DAEGC实现

简介: 疫情期间:目前是在个人PC上搭建了DAEGC的运行环境并跑通,现将过程记录如下以备以后使用

DAEGC运行步骤

疫情期间:目前是在个人PC上搭建了DAEGC的环境并能够跑通,现将过程记录如下以备以后使用

个人PC:windows10,python3.7,1050Ti,cuda 11.2

1.首先查看自己的GPU版本和cuda版本

nvidia-smi

image

2.可以看到我的cuda版本为11.2因此安装对应版本torch

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 -f https://download.pytorch.org/whl/torch_stable.html

3.安装torch-scatter,torch-sparse,torch-cluster,torch-spline-conv

我是直接通过wheel文件安装,个人感觉这种安装方式最直接,而且不会有什么问题,直接去whl地址根据对应的torch,cuda,以及python版本下载对应的wheel文件,比如我是cuda110+torch1.7.0+python37,根据电脑系统选择win还是linux

image

image

4.cd到已经下载文件的目录

pip install +下载的包名
#如:pip install .\torch_cluster-1.5.9-cp37-cp37m-win_amd64.whl
#依次将四个都运行

5.安装torch-geometric

pip install torch-geometric

6.安装DAEGC所需要的包

pip install munkres
pip install -U scikit-learn #-U表示更新到最新版本

7.至此环境搭建完成,cdDAEGC目录下

预训练(Cora,Citeseer):

 python pretrain.py --name Cora --max_epoch 50  #预训练
 python pretrain.py --name Citeseer --max_epoch 50 #预训练

image

训练(Cora Citeseer):

 python daegc.py --update_interval 5 --name Cora --epoch 45 --max_epoch 200 #训练(--epoch是可变参数,根据预训练文件夹下的内容可以改变)
 python daegc.py --update_interval 5 --name Citeseer --epoch 45 --max_epoch 200 #训练

参考链接:

Colab Notebook

原论文:

Attributed Graph Clustering: A Deep Attentional Embedding Approach

相关文章
|
机器学习/深度学习 算法 数据可视化
带你理解对比学习损失函数的性质以及温度系数的作用(二)
带你理解对比学习损失函数的性质以及温度系数的作用(二)
1005 0
带你理解对比学习损失函数的性质以及温度系数的作用(二)
|
存储 SQL 缓存
性能测试--性能测试数据准备
关于如何准备性能测试数据,相信不少性能测试人员也踩过不少坑:比如数据量不足,导致性能表现非常好,忽略了一些潜在性能问题;数据分布不合理,导致测试结果与线上差异较大,又要推到重来。经过n多次被坑之后,总结下经验。我们把测试数据准备分为两类数据:铺底数据和参数化数据。
696 0
|
6月前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】聚类算法中的距离度量有哪些及公式表示?
聚类算法中常用的距离度量方法及其数学表达式,包括欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、余弦相似度等多种距离和相似度计算方式。
582 1
|
9月前
|
负载均衡 网络协议 中间件
掌握 SOME/IP :访问进程数据 构建高效通信系统的关键技术
掌握 SOME/IP :访问进程数据 构建高效通信系统的关键技术
430 2
|
机器学习/深度学习 算法 Python
python实现BP神经网络进行预测和误差分析(附源代码)
python实现BP神经网络进行预测和误差分析(附源代码)
1213 0
python实现BP神经网络进行预测和误差分析(附源代码)
|
传感器 机器学习/深度学习 人工智能
BEV最新综述 | 学术界和工业界方案汇总!优化方法与tricks(上)
本调查回顾了关于BEV感知的最新工作,并对不同解决方案进行了深入分析。此外,还描述了行业中BEV方法的几个系统设计,介绍了一整套实用指南,以提高BEV感知任务的性能,包括相机、激光雷达和融合输入。最后,论文指出了该领域未来的研究方向,希望本报告能为社区提供一些信息,并鼓励更多关于BEV感知的研究工作。
BEV最新综述 | 学术界和工业界方案汇总!优化方法与tricks(上)
|
人工智能 自然语言处理 算法
大语言模型的预训练[6]:思维链(Chain-of-thought,CoT)定义原理详解以及在LLM上应用
大语言模型的预训练[6]:思维链(Chain-of-thought,CoT)定义原理详解以及在LLM上应用
Markdown (CSDN) MD编辑器(三)- 图片缩放、指定尺寸、居中、左对齐、右对齐
Markdown (CSDN) MD编辑器(三)- 图片缩放、指定尺寸、居中、左对齐、右对齐
1323 0
Markdown (CSDN) MD编辑器(三)- 图片缩放、指定尺寸、居中、左对齐、右对齐
|
JavaScript 数据可视化 Python
Python复杂网络结构可视化——matplotlib+networkx
Python复杂网络结构可视化——matplotlib+networkx
8733 0
|
机器学习/深度学习 存储 编解码
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)
633 0
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)

热门文章

最新文章