Graphormer
该模型目前处于维护模式,我们不接受任何更改其代码的新PR。
如果您在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.40.2。
您可以通过运行以下命令来执行此操作:pip install -U transformers==4.40.2
。
概述
Graphormer模型是由Chengxuan Ying、Tianle Cai、Shengjie Luo、Shuxin Zheng、Guolin Ke、Di He、Yanming Shen和Tie-Yan Liu在Do Transformers Really Perform Bad for Graph Representation?中提出的。它是一个Graph Transformer模型,经过修改以允许在图上进行计算,而不是文本序列,通过在预处理和整理期间生成嵌入和感兴趣的特征,然后使用修改后的注意力机制。
论文的摘要如下:
Transformer架构在许多领域,如自然语言处理和计算机视觉中,已成为主导选择。然而,与主流的GNN变体相比,它在图级别预测的流行排行榜上尚未取得有竞争力的表现。因此,Transformer如何在图表示学习中表现良好仍然是一个谜。在本文中,我们通过介绍Graphormer来解决这个谜团,它建立在标准Transformer架构之上,并且可以在广泛的图表示学习任务中取得优异的结果,特别是在最近的OGB大规模挑战中。我们在图中利用Transformer的关键见解是有效地将图的结构信息编码到模型中的必要性。为此,我们提出了几种简单但有效的结构编码方法,以帮助Graphormer更好地建模图结构数据。此外,我们从数学上描述了Graphormer的表达能力,并展示了通过我们编码图结构信息的方式,许多流行的GNN变体可以作为Graphormer的特殊情况被涵盖。
该模型由clefourrier贡献。原始代码可以在这里找到。
使用提示
该模型在大型图(超过100个节点/边)上效果不佳,因为它会导致内存爆炸。
你可以减少批量大小,增加你的RAM,或者在algos_graphormer.pyx中减少UNREACHABLE_NODE_DISTANCE
参数,但很难超过700个节点/边。
该模型在训练期间不使用分词器,而是使用一个特殊的整理器。
GraphormerConfig
class transformers.GraphormerConfig
< source >( num_classes: int = 1 num_atoms: int = 4608 num_edges: int = 1536 num_in_degree: int = 512 num_out_degree: int = 512 num_spatial: int = 512 num_edge_dis: int = 128 multi_hop_max_dist: int = 5 spatial_pos_max: int = 1024 edge_type: str = 'multi_hop' max_nodes: int = 512 share_input_output_embed: bool = False num_hidden_layers: int = 12 embedding_dim: int = 768 ffn_embedding_dim: int = 768 num_attention_heads: int = 32 dropout: float = 0.1 attention_dropout: float = 0.1 activation_dropout: float = 0.1 layerdrop: float = 0.0 encoder_normalize_before: bool = False pre_layernorm: bool = False apply_graphormer_init: bool = False activation_fn: str = 'gelu' embed_scale: float = None freeze_embeddings: bool = False num_trans_layers_to_freeze: int = 0 traceable: bool = False q_noise: float = 0.0 qn_block_size: int = 8 kdim: int = None vdim: int = None bias: bool = True self_attention: bool = True pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 **kwargs )
参数
- num_classes (
int
, 可选, 默认为 1) — 目标类别或标签的数量,对于 n 个任务的二分类设置为 n。 - num_atoms (
int
, optional, defaults to 512*9) — 图中的节点类型数量。 - num_edges (
int
, optional, 默认为 512*3) — 图中边的类型的数量。 - num_in_degree (
int
, optional, 默认为 512) — 输入图中入度类型的数量。 - num_out_degree (
int
, optional, defaults to 512) — 输入图中出度类型的数量。 - num_edge_dis (
int
, optional, defaults to 128) — 输入图中的边数。 - multi_hop_max_dist (
int
, 可选, 默认值为 20) — 两个节点之间多跳边的最大距离。 - spatial_pos_max (
int
, optional, 默认为 1024) — 图中节点在注意力偏置矩阵中的最大距离,用于预处理和整理阶段。 - edge_type (
str
, optional, defaults to multihop) — 选择的边关系类型。 - max_nodes (
int
, 可选, 默认为 512) — 输入图可以解析的最大节点数。 - share_input_output_embed (
bool
, 可选, 默认为False
) — 在编码器和解码器之间共享嵌入层 - 注意,True 尚未实现。 - num_layers (
int
, optional, defaults to 12) — 层数. - embedding_dim (
int
, optional, defaults to 768) — 编码器中嵌入层的维度。 - ffn_embedding_dim (
int
, optional, defaults to 768) — 编码器中“中间”(通常称为前馈)层的维度。 - num_attention_heads (
int
, 可选, 默认为 32) — 编码器中的注意力头数量。 - self_attention (
bool
, 可选, 默认为True
) — 模型是自注意的(False 未实现)。 - activation_function (
str
或function
, 可选, 默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果是字符串,支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - dropout (
float
, optional, defaults to 0.1) — 嵌入层、编码器和池化器中所有全连接层的dropout概率。 - attention_dropout (
float
, optional, 默认为 0.1) — 注意力权重的丢弃概率。 - activation_dropout (
float
, optional, defaults to 0.1) — 线性变换层激活的dropout概率。 - layerdrop (
float
, 可选, 默认为 0.0) — 编码器的LayerDrop概率。更多详情请参阅[LayerDrop论文](see https://arxiv.org/abs/1909.11556) - bias (
bool
, optional, defaults toTrue
) — 在注意力模块中使用偏置 - 目前不支持。 - embed_scale(
float
, 可选, 默认为 None) — 节点嵌入的缩放因子。 - num_trans_layers_to_freeze (
int
, optional, defaults to 0) — 要冻结的变压器层数。 - encoder_normalize_before (
bool
, optional, defaults toFalse
) — 在编码图之前对特征进行归一化。 - pre_layernorm (
bool
, 可选, 默认为False
) — 在自注意力和前馈网络之前应用层归一化。如果不使用此选项,将使用后层归一化。 - apply_graphormer_init (
bool
, 可选, 默认为False
) — 在训练前对模型应用自定义的graphormer初始化。 - freeze_embeddings (
bool
, optional, defaults toFalse
) — 冻结嵌入层,或与模型一起训练它。 - encoder_normalize_before (
bool
, optional, defaults toFalse
) — 在每个编码器块之前应用层归一化。 - q_noise (
float
, optional, defaults to 0.0) — 量化噪声的量(参见“使用量化噪声进行极端模型压缩的训练”)。(更多详情,请参阅fairseq的quant_noise文档)。 - qn_block_size (
int
, optional, defaults to 8) — 用于后续使用iPQ进行量化的块大小(参见q_noise)。 - kdim (
int
, optional, 默认为 None) — 注意力机制中键的维度,如果与其他值不同。 - vdim (
int
, optional, defaults to None) — 注意力机制中值的维度,如果与其他值不同。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。 - traceable (
bool
, 可选, 默认为False
) — 将编码器的内部状态返回值更改为堆叠的张量。 - 示例 —
这是用于存储~GraphormerModel配置的配置类。它用于根据指定的参数实例化一个Graphormer模型,定义模型架构。使用默认值实例化配置将产生与Graphormer graphormer-base-pcqm4mv1架构类似的配置。
配置对象继承自PretrainedConfig,可用于控制模型输出。阅读PretrainedConfig的文档以获取更多信息。
GraphormerModel
Graphormer模型是一种图编码器模型。
它从图到其表示。如果你想将模型用于下游分类任务,请使用GraphormerForGraphClassification。对于任何其他下游任务,可以自由添加一个新类,或者按照GraphormerForGraphClassification中的示例将此模型与你选择的下游模型结合使用。
前进
< source >( input_nodes: LongTensor input_edges: LongTensor attn_bias: Tensor in_degree: LongTensor out_degree: LongTensor spatial_pos: LongTensor attn_edge_type: LongTensor perturb: typing.Optional[torch.FloatTensor] = None masked_tokens: None = None return_dict: typing.Optional[bool] = None **unused )
GraphormerForGraphClassification
该模型可用于图级别的分类或回归任务。
它可以在
- 回归(通过将 config.num_classes 设置为 1);每个图应该有一个浮点类型的标签
- 单任务分类(通过设置config.num_classes为类别数量);每个图应有一个整数标签
- 二元多任务分类(通过将config.num_classes设置为标签数量);每个图应该有一个整数标签列表。
前进
< source >( input_nodes: LongTensor input_edges: LongTensor attn_bias: Tensor in_degree: LongTensor out_degree: LongTensor spatial_pos: LongTensor attn_edge_type: LongTensor labels: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None **unused )