spektral - 基于Keras API和TensorFlow 2的Python库，专为图神经网络（GNN）提供简单灵活的框架

Spektral项目介绍

Spektral是一个基于Keras API和TensorFlow 2的Python库，专注于图深度学习。该项目的主要目标是提供一个简单但灵活的框架，用于创建图神经网络（GNNs）。通过Spektral，用户可以进行社交网络用户分类、预测分子属性、通过生成对抗网络（GANs）生成新图、节点聚类、链接预测等一系列基于图数据的任务。

Spektral的主要功能

Spektral实现了一些目前最流行的用于图深度学习的层，包括：

图卷积网络（GCN）
切比雪夫卷积
GraphSAGE
ARMA卷积
边缘条件卷积（ECC）
图注意力网络（GAT）
神经预测的近似个性化传播（APPNP）
图同构网络（GIN）
扩散卷积

此外，还有许多其他卷积层供使用者选择。同时，Spektral还提供一些池化层，如：

MinCut池化
DiffPool
Top-K池化
自注意力图池化（SAG Pooling）
全局池化
全局门控注意力池化
SortPool

这些层和池化方法大大丰富了用户在图深度学习项目中的选择和灵活性。Spektral还包含许多用于表示、操作和转换图的工具，极大地简化了用户的图深度学习项目开发过程。

安装指南

Spektral与Python 3.6及以上版本兼容，并在最新版本的Ubuntu、MacOS和Windows上进行了测试。其他Linux发行版也应当可以运行。

你可以通过PyPi简单地安装Spektral:

pip install spektral

或者从源码安装：

git clone https://github.com/danielegrattarola/spektral.git
cd spektral
python setup.py install  # 或使用 'pip install .'

在Google Colab上安装Spektral也同样简单：

! pip install spektral

Spektral 1.0 的新特性

Spektral 1.0的发布对于该库来说是一个重要的里程碑，带来了许多新功能和改进。以下是一些主要变化和新特性：

新的Graph和Dataset容器标准化了Spektral处理数据的方式，不影响模型，而是使数据使用更加简便。
新的Loader类能够隐藏创建图批次的复杂性，无论是编写自定义训练循环还是使用Keras的model-dot-fit方法，数据处理变得更简单。
新的transforms模块实现了多种常见的图操作，可以应用于数据集。
新的GeneralConv和GeneralGNN类允许用户构建通用模型，不需担心选择哪种层或架构。
新的数据集：QM7和ModelNet10/40，以及OGB数据集的包装器。
库结构和依赖关系的重大清理。
新的示例和教程。

社区贡献

Spektral是一个开源项目，托管在Github上，欢迎各种类型的贡献。如果有想要添加到框架中的有趣的东西，可以随时提出pull request。贡献指南以及功能请求列表均可在GitHub上找到。

通过Spektral，图深度学习变得更加可达并且简单化，为广大开发者开辟了一个广阔的应用天地。