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

E(3) GNN in jax

ویژگی	مقدار
سیستم عامل	-
نام فایل	egnn-jax-0.2
نام	egnn-jax
نسخه کتابخانه	0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Gianluca Galletti
ایمیل نویسنده	g.galletti@tum.de
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/egnn-jax/
مجوز	-

# E(n) Equivariant GNN in jax Reimplementation of [EGNN](https://arxiv.org/abs/2102.09844) in jax. Original work by Victor Garcia Satorras, Emiel Hogeboom and Max Welling. ## Installation ``` python -m pip install egnn-jax ``` Or clone this repository and build locally ``` python -m pip install -e . ``` ### GPU support Upgrade `jax` to the gpu version ``` pip install --upgrade "jax[cuda]==0.4.8" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html ``` ## Validation N-body (charged) is included for validation from the original paper. Times are __model only__ on batches of 100 graphs, in (global) single precision. | | MSE | Inference [ms]* | |------------------|-------|-----------------| | torch (original) | .0071 | 8.27 | | jax (ours) | .011 | 0.94 | \* remeasured (Quadro RTX 4000) ### Validation install The N-Body experiments are only included in the github repo, so it needs to be cloned first. ``` git clone https://github.com/gerkone/egnn-jax ``` They are adapted from the original implementation, so additionally `torch` and `torch_geometric` are needed (cpu versions are enough). ``` pip3 install torch==1.12.1 --extra-index-url https://download.pytorch.org/whl/cpu python -m pip install -r nbody/requirements.txt ``` ### Valdation usage The charged N-body dataset has to be locally generated in the directory [/nbody/data](/nbody/data). ``` python3 -u generate_dataset.py --num-train=3000 ``` Then, the model can be trained and evaluated (from the repo root) with ``` python main.py --epochs=500 --batch-size=100 --lr=1e-4 --weight-decay=1e-8 ``` ## Acknowledgements This implementation heavily borrows from the [original pytorch code](https://github.com/vgsatorras/egnn).

نیازمندی

مقدار	نام
==0.0.9	dm-haiku
==0.4.8	jax
==0.4.8	jaxlib
==0.0.6.dev0	jraph
>=1.23.4	numpy
==0.1.3	optax

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl egnn-jax-0.2:

pip install egnn-jax-0.2.whl

نصب پکیج tar.gz egnn-jax-0.2:

pip install egnn-jax-0.2.tar.gz