معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Emory Brain Benchmark package

ویژگی	مقدار
سیستم عامل	-
نام فایل	BrainGB-1.0.3
نام	BrainGB
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Emory Brain Network
ایمیل نویسنده	wdai26@emory.edu
آدرس صفحه اصلی	https://github.com/
آدرس اینترنتی	https://pypi.org/project/BrainGB/
مجوز	-

# BrainGB BrainGB is a python package for testing Graph Neural Networks on Brain Networks. # Installation To install BrainGB as a package, simply run ```shell pip install BrainGB ``` Alternatively, you can also download the repository from Github. The main package is under the src folder. If you choose to go with this method, please check the [Specification of Dependencies](#Specification-of-Dependencies) section for dependency requirements. # Getting Started To import the models detailed in the paper: ```pycon from BrainGB import GAT, GCN, BrainNN, GCN ``` The BrainNN is required and will be served as the parent module of the GAT, GCN models. You may choose either GAT or GCN as the submodule. To initialize a GCN model ```pycon sample: Data = Data() # A torch geometric data num_features = data.x.shape[1] num_nodes = data.x.shape[0] gcn_model = GCN(num_features, num_nodes) model = BrainNN(args.pooling, gcn_model, MLP(2 * num_nodes)) ``` To initialize a GAT model, simply replace the GCN with GAT. Both models are customizable. Please refer to the documentation for more details. # Specification of Dependencies BrainGB depends on the following frameworks: ``` torch~=1.10.2 numpy~=1.22.2 nni~=2.4 PyYAML~=5.4.1 scikit-learn~=1.0.2 networkx~=2.6.2 scipy~=1.7.3 tensorly~=0.6.0 pandas~=1.4.1 libsvm~=3.23.0.4 matplotlib~=3.4.3 tqdm~=4.62.3 torch-geometric~=2.0.3 h5py~=3.6.0 ``` To install the dependencies, run: ```shell pip install -r requirements.txt ``` Notice that if you install the package through pip, the dependencies are automatically installed. # Running Example Scripts The repository also comes with example scripts. To train our model on any of the datasets we tested, simply run: ```shell python -m main.example_main --dataset_name=<dataset_name> [--model_name=<variant>] ``` The `dataset_name` is the name of the dataset you want to use. The following datasets are available and tested: - HIV - PPMI (Can be downloaded [here](https://www.ppmi-info.org/access-data-specimens/download-data)) - PNC The following datasets are also available but not tested: - ABIDE - BP - ABCD Please place the dataset files in the `datasets` folder under the package examples folder. Create the folder if it does not exist. The `model_name` is the name of the model you want to use. Two choices are available: - GCN - GAT # Contribution We welcome contributions to the package. Please feel free to open an issue or pull request.

نیازمندی

مقدار	نام
>=1.19.5	numpy
>=1.10.2	torch
>=0.24.2	scikit-learn
>=2.5.1	networkx
>=0.4.3	node2vec
-	scipy
-	torch-geometric
-	torch-scatter
-	torch-sparse
>=1.2	ReportLab
-	RXP

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl BrainGB-1.0.3:

pip install BrainGB-1.0.3.whl

نصب پکیج tar.gz BrainGB-1.0.3:

pip install BrainGB-1.0.3.tar.gz