اصلاح دیتاست و کد شبکه عصبی کانولوشن گراف

یک مقاله پایه دارم که شبکه عصبی کانولوشن گراف پیشنهاد داده است. کد مقاله موجود است و روی دیتای خود مقاله کار میکند. یک دیتاست گراف داریم که هر گراف را در دو فایل CSV (یکی نودهای گراف و یکی یال های گراف) ذخیره کرده است. این فرمت داده بعنوان ورودی برای کد مقاله مورد نظر قابل استفاده نیست و باید تبدیل شود. کد مقاله به زبان پایتون است و از torch استفاده کرده است. پروژه: تبدیل دیتاست به فرمت مناسب به عنوان ورودی کد موجود به همراه اصلاحات لازم در کد است (احتمالا نیاز است یک کلاس دیتاست متناسب با داده موجود تعریف شود و یا از کلاس های دیتاست تعریف شده در کد استفاده کرد) به گونه ای که بتوان شبکه را روی دیتاست جدید آموزش داد و تست کرد. نکته 1: کد موجود دارای DockerFile است لذا میتوان در داکر آن را به راحتی اجرا کرد، و یا لایبرری ها مورد استفاده را نصب کرد و اجرا کرد. ترجیح استفاده از داکر است ولی اجرای مستقیم با نصب نیازمندیها بلامانع است. در صورت استفاده از لایبرریهایی غیر از آنچه کد استفاده کرده و یا ورژنهای دیگری از لایبرریها می بایست DockerFile مربوطه هم ارائه شود. نکته 2: توضیحاتی برای فرمت مناسب داده ها برای کد وجود ندارد و می بایست از روی خود کد استخراج شود. همچنین لازم است پس از تبدیل دیتاست و اطمینان از فرمت صحیح داده ها، فرمت و ساختار دیتاست جدید توضیح داده شود. نکته 3: کدهای اصلاح شده و یا کدهای جدید می بایست به صورت مناسب کامنت گذاری شوند تا عملکرد آنها قابل درک باشد. (در صورت مبهم بودن کامنت ها توضیحات بیشتر از فریلنسر درخواست خواهد شد.) نکته 4: فریلنسر می تواند توضیحات مورد نیاز که در نکات قبل مشخص شده است را از طریق تهیه فایل ویدیویی توضیح دهد (در صورتی که برای فریلنسر توضیح ویدیویی راحت تر است). نکته 5: ممکن است ( نه لزوما) پروژه دارای فازهای بعدی هم باشد (مثلاً اصلاح شبکه عصبی مورد استفاده در کد). در صورتی رضایت از فاز فعلی، اولویت فازهای بعدی با فریلنسری خواهد بود که فاز اول را انجام داده است. فازهای بعدی پروژه (در صورت وجود) به صورت پروژه های جدید تعریف خواهد شد لذا مبلغ پیشنهادی فعلی فقط و فقط باید هزینه همین بخش از پروژه باشد. نکته 6: کد اولیه پروژه در گیت هاب مقاله موجود است. این کد دارای اشکالاتی است. کد اصلاح شده و قابل اجرا در اختیار فریلنسر قرار خواهد گرفت، ولی برای آشنایی با ساختار کد می توانید آن را بررسی کنید. https://github.com/gdl-unive/Graph-Kernel-Convolution