Advertisement

NGCF-PyTorch：基于PyTorch的神经图协同过滤实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
NGCF-PyTorch是一款利用PyTorch框架开发的高效神经网络图协同过滤推荐系统工具，适用于深度学习在推荐系统中的应用研究。 我对神经图协同过滤的PyTorch实现基于王翔、何湘南、王萌、冯福利和蔡达生（2019）的研究成果。该研究在SIGIR19会议上发表，会议地点是法国巴黎，时间是从2019年7月21日至25日。 我的实现主要是指原始的TensorFlow版本，并且具有与原项目一样的评估指标。以下是使用Gowalla数据集时的一个示例结果： 最佳迭代=[38]@[32904.5] 回忆率=[0.15571 0.21793 0.26385 0.30103 0.33170], 精确度=[0.04763 0.03370 0.02744 0.02359 0.02088], 击中率=[0.53996 0.64559 0.70464 0.74546 0.77406]，NDCG=[0.22752 0.26555 0.29044 0.30926 0.32406]。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • NGCF-PyTorch：基于PyTorch的神经图协同过滤实现
    优质
    NGCF-PyTorch是一款利用PyTorch框架开发的高效神经网络图协同过滤推荐系统工具，适用于深度学习在推荐系统中的应用研究。 我对神经图协同过滤的PyTorch实现基于王翔、何湘南、王萌、冯福利和蔡达生（2019）的研究成果。该研究在SIGIR19会议上发表，会议地点是法国巴黎，时间是从2019年7月21日至25日。 我的实现主要是指原始的TensorFlow版本，并且具有与原项目一样的评估指标。以下是使用Gowalla数据集时的一个示例结果： 最佳迭代=[38]@[32904.5] 回忆率=[0.15571 0.21793 0.26385 0.30103 0.33170], 精确度=[0.04763 0.03370 0.02744 0.02359 0.02088], 击中率=[0.53996 0.64559 0.70464 0.74546 0.77406]，NDCG=[0.22752 0.26555 0.29044 0.30926 0.32406]。
     
  • NeRF-PyTorch：基于PyTorch的神经辐射场再实现
    优质
    简介：NeRF-PyTorch是基于PyTorch框架对神经辐射场（NeRF）模型的重新实现项目。该项目致力于提供一个简洁、高效的代码库，便于研究者和开发者进行三维场景表示与渲染的研究及应用开发。 nerf-pytorch 是 PyTorch 的重新实现版本。该项目由加州大学伯克利分校、Google 研究中心以及加州大学圣地亚哥分校的研究人员合作完成。 速度是这个项目的重点，目前的执行效率非常高！相较于其他实现方式，我们的项目在性能上提升了约5-9倍和2-4倍的速度（具体取决于基准比较）。我们通过多种手段来提升速度：除了常见的数据缓存、有效的内存管理等优化外，还深入研究了整个NeRF代码库，并减少了不必要的黑白数据传输，尽可能地进行矢量化处理以及使用高效的PyTorch操作变体。 项目中包括了一些合成和真实数据的样本结果。我们提供了一个名为 Tiny-NeRF 的 NeRF 代码版本，附带一个 Colab 笔记本以展示如何运行。 所有这些改动都是基于对原始 NeRF 技术的高度尊重：除了上述优化外，其余部分都忠实于原技术框架与理念。
     
  • EGNN-PyTorch：基于PyTorch的E(n)等价图神经网络实现
    优质
    简介：EGNN-PyTorch是一款采用PyTorch框架开发的库，专门用于实现具有平移和旋转不变性的E(n)等价图神经网络，适用于物理系统、分子动力学及材料科学等领域。 EGNN-Pytorch（WIP）中的实现最终可用于Alphafold2的复制。安装方法为：`pip install egnn-pytorch` 用法示例： ```python import torch from egnn_pytorch import EGNN layer1 = EGNN(dim=512) layer2 = EGNN(dim=512) feats = torch.randn(1, 16, 512) coors = torch.randn(1, 16, 3) feats, coors = layer1(feats, coors) feats, coors = layer2(feats, coors) ``` 带边的用法： ```python import torch from egnn_pytorch import EGNN layer1 = EGNN(dim=512) layer2 = EGNN(dim=512) feats = torch.randn(1, 16, 512) coors = torch.randn(1, 16, 3) feats, coors = layer1(feats, coors) ```
     
  • NERF-PyTorch：基于PyTorch的NeRF（神经辐射场）重现结果实现
    优质
    简介：NERF-PyTorch是利用PyTorch框架对NeRF模型进行复现的项目。该项目成功实现了高质量的视差合成与3D场景重建效果，提供了源代码及实验环境配置指南。 神经荧光素（神经辐射场）是一种用于合成复杂场景的新颖视图的方法，并且能够获得最新的结果。该项目提供了一个忠实于PyTorch的实现版本，其运行速度比原版快1.3倍，并再现了原始研究的结果。该代码基于作者最初的Tensorflow实现并已经过测试以确保数值匹配。 要安装项目，请按照以下步骤操作： ``` git clone https://github.com/yenchenlin/nerf-pytorch.git cd nerf-pytorch pip install -r requirements.txt ``` 依赖项包括：PyTorch 1.4、matplotlib、NumPy、imageio和ffmpeg，以及configargparse。此外还需要LLFF数据加载器，并且如果要在自己的真实数据上运行，则需要安装ImageMagick和COLMAP以计算姿态。 要快速开始，请下载所需的文件并按照上述说明进行操作。
     
  • 神经协同过滤推荐系统
    优质
    神经协同过滤推荐系统是一种结合了深度学习与传统协同过滤技术的智能推荐方法，通过分析用户历史行为数据预测其兴趣偏好，实现个性化内容推送。 Neural Collaborative Filtering这篇论文中的Neural matrix factorization模型的参数可以自行调整。
     
  • 基于PyTorch的CNN卷积神经网络实现
    优质
    本项目采用Python深度学习框架PyTorch，构建并训练了卷积神经网络(CNN)，以解决图像分类问题，展示了CNN在图像识别任务中的高效性。 本段落介绍了如何使用PyTorch实现卷积神经网络（CNN），供读者参考。 我对卷积神经网络有一些认识：它是目前最流行的深度学习模型之一，由于具有局部感受野等特性，使其与人眼识别图像的方式相似，因此被广泛应用于图像识别中。我的研究领域是机械故障诊断，通常使用旋转机械设备的振动信号作为数据源。对于一维信号处理，一般有两种方法：一是直接对其进行一维卷积操作；二是将其映射到时频图上，从而转化为图像识别问题。此前我一直在用Keras搭建网络模型，最近学习了如何利用PyTorch构建CNN，并尝试编写相应的代码。实验中使用的是经典的MNIST手写数字数据集作为训练样本。
     
  • 基于Transformer的神经机器翻译的PyTorch实现
    优质
    本项目采用PyTorch框架实现了基于Transformer架构的神经机器翻译系统，旨在提供高效且易于扩展的语言模型训练与测试环境。 使用PyTorch实现基于Transformer的神经机器翻译涉及构建一个能够利用自注意力机制进行高效序列到序列学习的模型。这种方法在处理长文本翻译任务上相比传统的递归或卷积网络架构具有显著优势，因为它可以并行化计算过程，并且不需要对输入长度做过多限制。为了完成这项工作，首先需要理解Transformer的基本结构和原理，然后利用PyTorch框架中的相关功能来实现模型的各个部分，包括编码器、解码器以及位置嵌入等关键组件。此外，在训练阶段还需要考虑如何有效处理数据集，并采用适当的优化策略以提升翻译质量。
     
  • 基于Python3的用户协同过滤实现
    优质
    本项目运用Python3语言实现了用户协同过滤算法，旨在推荐系统中找到与目标用户兴趣相似的其他用户，并据此为用户推荐可能感兴趣的商品或内容。 本段落实例展示了如何使用Python3实现基于用户协同过滤的电影推荐系统，供参考。 直接展示代码： ```python #!/usr/bin/python3 # -*- coding: utf-8 -*- # 2017年9月16日版本 协同过滤电影推荐基础框架 from numpy import * import time from math import sqrt class CF: def __init__(self, movies, ratings, k=5, n=20): ``` 代码中定义了一个名为CF的类，用于实现协同过滤算法的基本功能。初始化方法`__init__`接受电影数据、评分数据以及参数k（表示最近邻居的数量）和n（推荐列表长度）。
     
  • 基于PyTorch和Transformer的Python神经机器翻译实现
    优质
    本项目采用PyTorch框架与Transformer模型，致力于开发高效准确的神经机器翻译系统，为自然语言处理领域提供强大工具。 使用PyTorch实现基于Transformer的神经机器翻译。
     
  • Neural-IMage-Assessment:基于PyTorch的神经影像评估实现
    优质
    Neural-IMage-Assessment是一款利用PyTorch框架构建的工具，专注于通过深度学习技术进行高效的神经影像分析与评估。 NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《（接受）》的PyTorch实现版本。 该模型使用包含大约255,500张图像的数据集进行训练。数据集中可能存在一些损坏的图片，请在开始训练之前先将其删除。 数据集被划分为三部分：229,981张用于训练，12,691张用于验证和12,818张用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，在验证集中损失约为0.072 EMD。尚未尝试过其他两个选项（MobileNet和Inception-v2）。 学习率设置与原始论文有所不同，我无法使用3e-7的学习速率以及3e-6的密集区块底限使模型收敛于动量SGD。此外，我没有进行过多的超参数调整，因此您可能会获得更好的结果。