Accueil Projets pytorch_geometric
pytorch_geometric
Python

pytorch_geometric

Bibliothèque de réseaux neuronaux graphiques pour PyTorch.

par pyg-team · GitHub
Étoiles
Forks
Licence
Créé
Dernier commit
Catégorie
Langue
deep-learninggeometric-deep-learninggraph-convolutional-networksMITPython
Voir sur GitHub
En termes simples

Écrivez et entraînez des réseaux de neurones graphiques pour analyser des structures de données complexes en utilisant cette bibliothèque pour PyTorch.

Depuis le README

Installer
pip install torch_geometric
Documentation ↗

Extraits du README du projet sur GitHub. Le droit d'auteur et les licences restent la propriété des auteurs respectifs.

Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
pytorch_geometric — GitHub preview card
📈 Historique des étoiles
23.90k23.85k
2026-06-282026-08-31
📈 Suivez pytorch_geometric

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

Bibliothèque de réseaux neuronaux graphiques pour PyTorch.

pytorch_geometric compte 23.9k étoiles sur GitHub. Il a été forké 4k fois. pytorch_geometric est écrit principalement en Python. Il est développé activement depuis 2017. pytorch_geometric est disponible sous licence MIT. Ses principaux thèmes sont : deep-learning, geometric-deep-learning, graph-convolutional-networks, graph-neural-networks.

Frequently asked questions

Qu'est-ce que pytorch_geometric ?

Bibliothèque de réseaux neuronaux graphiques pour PyTorch.

pytorch_geometric est-il open source ?

pytorch_geometric est un projet open source. Il est distribué sous licence MIT.

pytorch_geometric est-il gratuit ?

Oui. pytorch_geometric est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

Sous quelle licence est pytorch_geometric ?

pytorch_geometric est disponible sous licence MIT.

Dans quel langage pytorch_geometric est-il écrit ?

pytorch_geometric est écrit principalement en Python.

🏅 Mainteneur de ce projet ?
olud.ai badge — pytorch_geometric

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![olud.ai](https://olud.ai/badge.php?tool=pyg-team-pytorch-geometric)](https://olud.ai/project/pyg-team-pytorch-geometric.html)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →
dgl
Package Python conçu pour faciliter l'apprentissage profond sur graphes, sur la base des framew…
14.3k · deep-learning
partagegraph-neural-networks
stellargraph
StellarGraph - Apprentissage automatique sur des graphes
3.1k · data-science
partagegeometric-deep-learning
MeshCNN
Réseau de neurones convolutif pour les maillages 3D dans PyTorch
1.7k · 3d
partagegeometric-deep-learning
graph-based-deep-learning-literature
liens vers des publications de conférence en apprentissage profond basé sur les graphes
5.1k · conference-publications
partagegraph-convolutional-networks
graph4nlp
Graph4nlp est la bibliothèque pour une utilisation facile des réseaux de neurones graphiques po…
1.7k · deep-learning
partagegraph-neural-networks
awesome-semi-supervised-learning
😎 Une liste à jour et sélectionnée de papiers, méthodes et ressources sur l'apprentissage semi-…
1.9k · computer-vision
partagegraph-neural-networks
ktrain
ktrain est une bibliothèque Python qui rend l'apprentissage profond et l'IA plus accessibles et…
1.3k · computer-vision
partagegraph-neural-networks
DL4Proteins-notebooks
Notebooks Colab couvrant les outils d'apprentissage profond pour la prédiction et la conception…
703 · convolutional-neural-networks
partagegraph-neural-networks
GlueStick
Joint Deep Matcher pour Points et Lignes 🖼️💥🖼️ (ICCV 2023)
674 · computer-vision
partagegraph-neural-networks
torchdrug
Une plateforme d'apprentissage automatique puissante et flexible pour la découverte de médicame…
1.6k · deep-learning
partagegraph-neural-networks

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.