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

Implements graph convolution keras layers based on Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering, Neural Information Processing Systems (NIPS), 2016.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ChebyGCN-0.0.3
نام	ChebyGCN
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Austin Clyde
ایمیل نویسنده	aclyde@uchicago.edu
آدرس صفحه اصلی	https://github.com/aclyde11/ChebyGCN
آدرس اینترنتی	https://pypi.org/project/ChebyGCN/
مجوز	-

# ChebyGCN ```python pip install ChebyGCN ``` Notice, for training and testing data, permutations of the data must be done in a certain way to align with pooling of the graph lapacian. Further, every level of graph corsening is a pool of size two, thus if you want to pool by 2 and then 4, you need log_2(2 * 4)= 3 levels. You will also need to index your Lapancians as seen below. ```python from ChebyGCN import layers, coarsening A = scipy.sparse.csr.csr_matrix(A) #load adjanecy matrix graphs, perm = coarsening.coarsen(A, levels=3, self_connections=True) #produce graph coarsenings X_train = coarsening.perm_data(X_train, perm) X_test = coarsening.perm_data(X_test, perm) L = [coarsening.laplacian(A, normalized=True) for A in graphs] x_input = Input(shape=(X_train.shape[1],)) x = Reshape((X_train.shape[1],1))(x_input) x = layers.GraphConvolution( 8, 2, 20, L[0])(x) x = layers.GraphConvolution( 8, 4, 10, L[2])(x) x = Flatten()(x) x = Dense(66, activation='softmax')(x) ``` This code is 96% based on https://github.com/mdeff/cnn_graph Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering, Neural Information Processing Systems (NIPS), 2016.

نحوه نصب

نصب پکیج whl ChebyGCN-0.0.3:

pip install ChebyGCN-0.0.3.whl

نصب پکیج tar.gz ChebyGCN-0.0.3:

pip install ChebyGCN-0.0.3.tar.gz