Red de gráficos profundos

Las redes de gráficos profundos se refieren a un tipo de red neuronal que está entrenada para resolver problemas de gráficos. Una red de gráficos profundos utiliza un marco de aprendizaje profundo subyacente, como PyTorch oMXNet. El potencial de las redes de grafos en aplicaciones prácticas de IA se destaca en los SageMaker tutoriales de Amazon para Deep Graph Library (DGL). Entre los ejemplos de modelos de entrenamiento en conjuntos de datos gráficos se incluyen redes sociales, bases de conocimiento, biología y química.

Figura 1. El DGL ecosistema

Se proporcionan varios ejemplos utilizando los contenedores SageMaker de aprendizaje profundo de Amazon que están preconfigurados conDGL. Si tienes módulos especiales con los que quieres usarlosDGL, también puedes construir tu propio contenedor. Los ejemplos incluyen heterógrafos, que son gráficos que tienen varios tipos de nodos y bordes, y se basan en diversas aplicaciones de distintos campos científicos, como la bioinformática y el análisis de redes sociales. DGLproporciona una amplia gama de implementaciones de redes neuronales gráficas para diferentes tipos de modelos. Algunos de los aspectos más destacados incluyen:

• Red convolucional gráfica () GCN

• Red convolucional de grafos relacionales (R-) GCN

• Red gráfica de atención () GAT

• Modelos generativos profundos de gráficos () DGMG

• Red neuronal de árbol de uniones () JTNN

Para entrenar una red de gráficos profundos

1. Desde la JupyterLabvista de Amazon SageMaker, navega por las libretas de ejemplo y busca DGL carpetas. Se pueden incluir varios archivos para dar soporte a un ejemplo. Examínelo README para ver si hay requisitos previos.

2. Ejecute el cuaderno de ejemplo .ipynb. 

3. Busca la función estimadora y anota la línea en la que utiliza un ECR contenedor de Amazon DGL y un tipo de instancia específico. Es posible que desee actualizar esto para utilizar un contenedor en su región preferida.

4. Ejecuta la función para lanzar la instancia y usa el DGL contenedor para entrenar una red de gráficos. El lanzamiento de esta instancia conlleva cargos. La instancia se termina automáticamente cuando se completa el entrenamiento.

Se proporciona un ejemplo de incrustación de gráficos de conocimiento (KGE). Utiliza el conjunto de datos Freebase, una base de conocimientos de datos generales. Un caso de uso de ejemplo sería representar gráficamente las relaciones de las personas y predecir su nacionalidad. 

Un ejemplo de implementación de una red convolucional de gráficos (GCN) muestra cómo se puede entrenar una red de gráficos para predecir la toxicidad. Un conjunto de datos fisiológicos, Tox21, proporciona medidas de toxicidad de cómo afectan las sustancias a las respuestas biológicas. 

Otro GCN ejemplo muestra cómo entrenar una red de gráficos en un conjunto de datos bibliográficos de publicaciones científicas, conocido como Cora. Puede usarlo para encontrar relaciones entre autores, temas y conferencias.

El último ejemplo es un sistema de recomendación para reseñas de películas. Utiliza una red gráfica de finalización matricial convolucional (GCMC) basada en los conjuntos de datos. MovieLens Estos conjuntos de datos constan de títulos de películas, géneros y puntuaciones de usuarios.