总结一下化合物的GCN各种实现代码
原创
介绍
基于David Duvenaud等人的论文“基于图形的卷积网络学习分子指纹”（https://arxiv.org/abs/1509.09292）实现了GCN ，该论文是GCN的先驱，，原始论文是在一个名为Autograd的小型图书馆中开发的，很难按原样进行修改，因此当我检查其他各种开源实现代码时有一条备忘录
检查实施代码
- 论文作者的执行情况（原文）
- DeepChem
- Chainer-Chemistry
- OpenChem
论文作者的执行情况（原文）
- 使用的DL框架：Autograd
- 网址：https：//github.com/HIPS/neural-fingerprint
- GCN实施代码：https：//github.com/HIPS/neural-fingerprint/blob/master/neuralfingerprint/build_convnet.py
- 评论（与本论文的实施方式不同，等等）：由于该代码是由本论文的作者编写的，因此其实现方式当然与本论文相同。
DeepChem
- 使用的DL框架：TensorFlow
- 网址：https：//deepchem.io/
- GCN实施代码：
- GraphConvModel和_GraphConvKerasModel类位于https://github.com/deepchem/deepchem/blob/master/deepchem/models/graph_models.py
- 评论（与执行本论文的差异等）：
- 在原始论文中，
return sum(all_layer_fps), atom_activations, array_rep添加了每层的输出，但是此实现仅使用最后一层的输出。 - 在卷积的每一层的末尾，都有一个包含周围节点的池化操作，但不在原始论文中。
- 在原始论文中，
Chainer-Chemistry
- 使用的DL框架：Chainer-Chemistry
- 网址：https：//github.com/chainer/chainer-chemistry/
- GCN实施代码：在此处。
- https://github.com/chainer/chainer-chemistry/blob/master/chainer_chemistry/models/nfp.py
- https://github.com/chainer/chainer-chemistry/blob/efe323aa21f63a815130d673781e7cca1ccb72d2/chainer_chemistry/links/update/nfp_update.py#L9
- https://github.com/chainer/chainer-chemistry/blob/efe323aa21f63a815130d673781e7cca1ccb72d2/chainer_chemistry/links/readout/nfp_readout.py#L7
- 评论（与执行本论文的差异等）：
- 在原始论文中，有
return sum(all_layer_fps), atom_activations, array_rep一个地方可以添加每一层的输出，但是在此实现中，每一层的输出都是Concatinate。 - 我觉得这种实现是原始论文最忠实的实现。
- 在原始论文中，有
OpenChem
- 使用的DL框架：PyTorch
- 网址：https：//github.com/Mariewelt/OpenChem/
- GCN实施代码：在此处。
- 评论：
- 这种实现是基于另一篇论文的实现。也许正因为如此，某些操作未在原始论文中找到，例如在每一层都采用了最大值。
- 类似于DeepChem，原始论文
return sum(all_layer_fps), atom_activations, array_rep将每一层的输出相加，但是此实现仅使用最后一层的输出。
结论
- 事实证明，有多种方法可以实现一种方法。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
登录后参与评论
推荐阅读
目录