Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Missing functionality compared to DGL

Aperta
  • Qualcosa non va?
#41 3 commenti 1 reazione 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
25/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Ferma
Stack tecnologico
julia, python
Ambito
machine-learning

Direzione di ricerca

Inizia dai link della DGL Python API e scegli una funzionalità non selezionata dalla checklist, ad esempio una convoluzione, un livello di pooling o un’operazione di campionamento. Confronta il comportamento previsto con le convenzioni corrispondenti di GraphNeuralNetworks.jl; il lavoro è completato quando l’elemento selezionato è implementato e la relativa voce nella checklist può essere contrassegnata come completata.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

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

....

Lingua principale
Julia
Stelle
309
Fork
74
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di JuliaGraphs/GraphNeuralNetworks.jl

Tutte le issue di JuliaGraphs/GraphNeuralNetworks.jl

Issue simili

Altre issue su Julia

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.