文件名称：GNN_branching:实施GNN ReLU分支策略
文件大小：3.45MB
文件格式：ZIP
更新时间：2024-06-10 23:28:03
Python
用于神经网络验证的神经网络分支 该存储库包含复制论文中报告的实验所需的所有代码：“ 。 依存关系 此代码应适用于python> = 3.6和pytorch> = 0.4.1。 对于求解由网络线性逼近和MIP公式的Integer程序引起的LP，需要商业求解器 。 Gurobi可以从获得，学术许可也可以从。 我们已经在文件夹./convex_adversaria/中包含了github软件包的修改版本。 github软件包用于计算中间界限，这对于构建用于网络线性逼近的LP来说是必需的。 我们会稍微修改原始版本./convex_adversarial，以最好地适应我们的需求。 ./plnn/是基于github包提供的Branch和Bound方法的原始实现开发的。 我们还直接用于求解提供的MIPplanet 。 安装 我们建议将所有内容都安装到虚拟环境中。 根据您配置环境的方式，您可能需要安
【文件预览】：
GNN_branching-master
----models()
--------cifar_wide_kw.pth(841KB)
--------cifar_base_kw.pth(415KB)
--------cifar_trained_gnn()
--------cifar_deep_kw.pth(216KB)
----verification_100()
--------base_100.pkl(3KB)
--------deep_100.pkl(4KB)
--------wide_100.pkl(6KB)
----onnx_models()
--------cifar_base_kw.onnx(429KB)
--------cifar_deep_kw.onnx(238KB)
--------cifar_wide_kw.onnx(855KB)
----plnn()
--------relu_conv_online.py(15KB)
--------relu_conv_gnnkwthreshold.py(15KB)
--------network_linear_approximation.py(36KB)
--------conv_kwinter_gen.py(37KB)
--------dual_network_linear_approximation.py(28KB)
--------model.py(40KB)
--------relu_conv_any_kw.py(11KB)
--------branch_and_bound.py(11KB)
--------conv_kwinter_kw.py(34KB)
--------kw_score_conv.py(12KB)
--------modules.py(760B)
--------mip_solver.py(31KB)
----graphnet()
--------graph_score.py(2KB)
--------graph_score_online.py(3KB)
--------graph_conv.py(23KB)
----exp_utils()
--------model_utils.py(7KB)
----LICENSE(1KB)
----experiments()
--------bab_mip.py(16KB)
----convex_adversarial()
--------Dockerfile(1KB)
--------LICENSE(1KB)
--------run.py(875B)
--------convex_adversarial()
--------examples()
--------setup.py(443B)
--------README.md(13KB)
----setup.py(840B)
----verification_20()
--------wide_20.pkl(2KB)
--------deep_20.pkl(1KB)
--------base_20.pkl(1KB)
----README.md(4KB)
----scripts()
--------bab_mip.sh(1KB)
----cifar_exp()
--------base_easy.pkl(52KB)
--------base_hard.pkl(54KB)
--------base_med.pkl(89KB)
--------deep.pkl(29KB)
--------wide.pkl(49KB)