Logo
Project Icon

deepsnap

高效灵活的图神经网络库 支持异构图和标准化流程

DeepSNAP图深度学习NetworkXPyTorch Geometric异构图Github开源项目

DeepSNAP是一个专为图神经网络设计的Python库，连接NetworkX和PyTorch Geometric，提供灵活的图操作和标准化流程。它支持高效的图操作和转换、异构图处理，并提供数据集分割、负采样等功能。DeepSNAP的API易于使用，适用于节点分类、链接预测和图分类等多种图学习任务。

访问官网访问官网GithubGithub文档文档
介绍相关项目
pytorch_geometric - 图形神经网络开发库
GithubPyTorch Geometric图神经网络开源项目数据处理机器学习深度学习
PyTorch Geometric是一个基于PyTorch的图形神经网络库，旨在简化结构化数据的建模与训练流程。支持小批量和大规模图的处理，并提供全面的GPU加速、数据管道处理以及常用基准数据集。这使得它成为机器学习研究者和初学者理想的选择。
dgl - 图深度学习框架加速图神经网络应用与研究
DGLGithub分布式训练图神经网络大规模图开源项目深度学习
DGL是一个高效易用的Python包，支持在图上执行深度学习。兼容PyTorch、Apache MXNet和TensorFlow等多种框架，提供GPU加速的图库、丰富的GNN模型示例、全面的教学材料及优化的分布式训练功能。适合从研究人员到行业专家的各类用户。广泛应用于学术及实践领域，无论是基础教学还是高级图分析，DGL均能有效支持。
PyDGN - 深度图网络研究与实验的Python开源库
GithubPyDGNPython库图分类开源项目机器学习深度图网络
PyDGN是一个面向深度图网络(DGNs)研究的开源Python库。该库提供自动化的数据处理、实验管理和并行计算功能,支持模型选择与风险评估。PyDGN简化了图学习实验流程,有助于快速原型设计和结果复现,为图神经网络研究提供了实用工具。它支持CPU和GPU并行计算,可同时评估多种模型配置。PyDGN适用于各类深度图网络研究,包括图分类、节点分类等任务。该库提供了完整的实验管理流程,从数据预处理到模型评估,有助于提高研究效率和结果可靠性。
networkx - 全面的复杂网络分析与操作Python库
GithubNetworkXPython库图论复杂网络开源项目网络分析
NetworkX是一个功能强大的Python库，专门用于复杂网络的创建、分析和可视化。它支持多种网络类型，包括社交、生物和交通网络等。该库提供了丰富的图算法，如最短路径计算、中心性分析和社区检测，并具有excellent的可扩展性。NetworkX广泛应用于学术研究和工业领域，支持高效的大规模网络处理和数据挖掘。
gnn - 用于TensorFlow平台的图神经网络库，支持异构和同构图
GithubKeras层TensorFlow GNN分布式图采样工具图神经网络开源项目数据准备工具
TensorFlow GNN是一个用于TensorFlow平台的图神经网络库，支持异构和同构图。它提供了GraphTensor类型来表示多类型节点和边，数据准备工具以及高效的图采样器。库中包含可直接使用的模型和Keras层，提供高层次的训练API。TF-GNN广泛应用于各种图挖掘任务，用户可在Google Colab上无需安装直接运行示例。它兼容TensorFlow 2.12及以上版本和相关GPU驱动，主要在Linux环境测试。
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
GithubKerasPython库Spektral图深度学习图神经网络开源项目
Spektral是一个基于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。该库适用于社交网络用户分类、分子性质预测、图生成、节点聚类和链接预测等任务。Spektral包含多种流行的图深度学习层，如GCN、Chebyshev、GraphSAGE、GAT等，并提供丰富的图操作工具。最新版1.0引入了新数据集、新容器、Loader类和transforms模块，简化了数据处理和模型训练。更多信息请参阅官方文档和示例。
graph_nets - DeepMind的图神经网络库，支持TensorFlow和Sonnet
GithubGraph NetsSonnetTensorFlow安装开源项目演示
Graph Nets是由DeepMind开发的图神经网络库，兼容TensorFlow和Sonnet。支持Linux和Mac OS X，以及Python 2.7和3.4+。该库适用于CPU和GPU版本的TensorFlow，但需要单独安装TensorFlow。Graph Nets提供了详细的安装指南、使用示例和多个演示，包括最短路径、排序和物理预测任务。用户可以通过Colaboratory在浏览器中运行这些演示，体验图神经网络的灵活性和强大功能。
CogDL - 应用于节点分类、图分类等任务的图深度学习工具包
CogDLGNNGPU优化Github图深度学习开源项目自动机器学习
CogDL是一个应用于节点分类、图分类等任务的图深度学习工具包。它具备高效性、易用性和可扩展性的特点，通过提供优化的操作符加快训练速度并节省GPU内存。CogDL还提供易用的API，并支持广泛的模型和数据集。最新版新增了图自监督学习示例和混合精度训练功能，适用于多种图神经网络分析任务。
deepsparse - 优化CPU上深度学习推理的高效稀疏性使用
CPU推理DeepSparseGithubLLM支持开源项目模型量化稀疏性
DeepSparse是一个专为CPU优化的深度学习推理运行时，通过使用稀疏性显著加快模型推理速度。结合SparseML优化库，DeepSparse支持模型剪枝和量化，在CPU上实现卓越性能。支持各种计算机视觉和自然语言处理模型，包括BERT、ViT、ResNet、YOLOv5/8等。此外，DeepSparse现已支持高效的LLM推理，对稀疏量化模型实现多倍加速。可通过PyPI安装，并提供多种API便于部署。
deepsvg - DeepSVG：矢量图形生成与动画的分层网络
DeepSVGGithubNeurIPS2020向量图形动画开源项目深度学习生成网络
该项目提供了一种用于SVG图像生成和动画的分层生成网络，附带深度学习SVG数据的库。用户可以获取预训练模型、完整的数据集及其预处理工具。图形用户界面演示了DeepSVG在矢量图动画中的应用。详细介绍了如何克隆存储库、安装依赖和进行训练与推理，为研究人员和开发者提供全面的资源、示例代码和文档，适合从事图形生成和动画的研究与项目开发。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号