Dies ist die Linux-App namens Graph Nets Library, deren neueste Version als graph_netsv1.1.0sourcecode.tar.gz heruntergeladen werden kann. Sie kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens Graph Nets Library mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS:
Graph Nets-Bibliothek
BESCHREIBUNG:
Graph Nets, entwickelt von Google DeepMind, ist eine Python-Bibliothek zum Erstellen und Trainieren von Graph Neural Networks (GNNs) mit TensorFlow und Sonnet. Sie bietet ein hochrangiges, flexibles Framework zum Erstellen neuronaler Architekturen, die direkt mit graphisch strukturierten Daten arbeiten. Ein Graphnetzwerk verwendet Graphen, bestehend aus Kanten, Knoten und globalen Attributen, als Eingaben und erstellt aktualisierte Graphen mit modifizierten Merkmalsdarstellungen auf jeder Ebene. Diese Bibliothek implementiert die grundlegenden Ideen aus DeepMinds Artikel „Relational Inductive Biases, Deep Learning, and Graph Networks“ und bietet Tools zum Erforschen relationaler Schlussfolgerungen und zur Nachrichtenübermittlung neuronaler Netzwerke. Graph Nets unterstützt sowohl TensorFlow 1 als auch TensorFlow 2, funktioniert mit CPU- und GPU-Umgebungen und enthält lehrreiche Jupyter-Demos für Aufgaben zur Suche nach kürzesten Pfaden, zum Sortieren und für physikalische Vorhersagen. Der Codebasis legt Wert auf Modularität, sodass Benutzer problemlos eigene Kanten-, Knoten- und globale Aktualisierungsfunktionen definieren können.
Eigenschaften
- Framework zum Erstellen von Graph-Neuronalen Netzwerken mit TensorFlow und Sonnet
- Unterstützt Feature-Learning auf Graph-, Knoten- und Edge-Ebene
- Kompatibel mit TensorFlow 1.x und 2.x, sowohl auf CPU- als auch auf GPU-Setups
- Enthält Colab- und Jupyter-Demo-Notebooks für praktisches Lernen und Experimentieren
- Ermöglicht modulares Architekturdesign mit anpassbaren Graph-Update-Funktionen
- Geeignet für eine Reihe von Aufgaben, einschließlich physikalischer Simulation, Sortierung und Pfadfindung
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/graph-nets-library.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.