Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Missing functionality compared to DGL

Abierto
  • ¿Algo no está bien?
#41 3 comentarios 1 reacción 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
25/100
Tipo de issue
Nueva funcionalidad
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
julia, python
Área
machine-learning

Línea de trabajo

Comienza con los enlaces de la DGL Python API y elige una capacidad no marcada de la lista de comprobación, como una convolución, una capa de pooling o una operación de muestreo. Compara su comportamiento esperado con las convenciones correspondientes de GraphNeuralNetworks.jl; el trabajo estará terminado cuando el elemento seleccionado esté implementado y su entrada en la lista de comprobación pueda marcarse como completada.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

good first issue

Checklist of stuff we miss compared to Deep Graph Library.
PRs are welcome!

Conv Layers
  • GraphConv (called GCNConv here)
  • EdgeWeightNorm
  • RelGraphConv
  • TAGConv
  • GATConv
  • EdgeConv
  • SAGEConv
  • SGConv
  • APPNPConv
  • GINConv
  • GatedGraphConv
  • GMMConv (#147)
  • ChebConv
  • AGNNConv
  • NNConv
  • AtomicConv
  • CFConv
  • DotGatConv
  • TWIRLSConv
  • TWIRLSUnfoldingAndAttention
  • GCN2Conv
Dense Conv Layers
  • DenseGraphConv
  • DenseSAGEConv
  • DenseChebConv
Global Pooling Layers
  • SumPooling (GlobalPooling(+) here)
  • AvgPooling (GlobalPooling(mean) here)
  • MaxPooling (GlobalPooling(max) here)
  • SortPooling
  • WeightAndSum
  • GlobalAttentionPooling
  • Set2Set
  • SetTransformerEncoder
  • SetTransformerDecoder
Batching and Reading Out Ops

https://docs.dgl.ai/en/0.6.x/api/python/dgl.html#batching-and-reading-out-ops

  • batch. Use Flux.batch or SparseArrays.blockdiag
  • unbatch
  • readout_nodes (called reduce_nodes here)
  • readout_edges (called reduce_edges here)
  • sum_nodes # use reduce_nodes(+, g, x)
  • sum_edges # use reduce_edges(+, g, x)
  • mean_nodes
  • mean_edges
  • max_nodes
  • max_edges
  • softmax_nodes
  • softmax_edges
  • broadcast_nodes
  • broadcast_edges
  • topk_nodes
  • topk_edges
Adjacency Related Utilities
  • khop_adj
  • laplacian_lambda_max
nn.functional

https://docs.dgl.ai/api/python/nn.functional.html

  • edge_softmax (softmax_edge_neighbors here)
optim

https://docs.dgl.ai/api/python/dgl.optim.html

  • Sparse Adam
  • Sparse AdaGrad
nn Utility Modules
  • Sequential (GNNChain here)
  • WeightBasis
  • KNNGraph
  • SegmentedKNNGraph
nn NodeEmbedding Module
  • NodeEmbedding
Sampling and Stochastic training

.....

Distributed Training

....

Lenguaje dominante
Julia
Estrellas
310
Forks
74
Merge medio
3 d 23 h
PR fusionados (30 d)
2

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de JuliaGraphs/GraphNeuralNetworks.jl

Todos los issues de JuliaGraphs/GraphNeuralNetworks.jl

Issues similares

Más issues de Julia

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.