Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
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 o MXNet. El potencial de las redes de grafos en aplicaciones prácticas de IA se destaca en los tutoriales de Amazon SageMaker AI para Deep Graph Library
Figura 1. El ecosistema de DGL
Se proporcionan varios ejemplos de uso de contenedores de aprendizaje profundo de Amazon SageMaker AI preconfigurados con DGL. Si tiene módulos especiales que desea usar con DGL, también puede construir su 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. DGL proporciona una amplia gama de implementaciones de redes neuronales gráficas para distintos tipos de modelos
-
GCN: red convolucional gráfica
-
R-GCN: red convolucional gráfica relacional
-
GAT: red de atención gráfica
-
DGMG: modelos generativos profundos de gráficos
-
JTNN: red neuronal del árbol de conexiones
Para entrenar una red de gráficos profundos
-
Desde la JupyterLabvista de Amazon SageMaker AI, explore los cuadernos de ejemplo
y busque las carpetas DGL. Se pueden incluir varios archivos para dar soporte a un ejemplo. Examine los requisitos previos en el archivo README. -
Ejecute el cuaderno de ejemplo .ipynb.
-
Busque la función de estimador y anote la línea en la que está utilizando un contenedor ECR de Amazon para DGL y un tipo de instancia específico. Es posible que desee actualizar esto para utilizar un contenedor en su región preferida.
-
Ejecute la función para iniciar la instancia y use el contenedor DGL para entrenar una red gráfica. 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 ejemplo de GCN muestra cómo entrenar una red gráfica 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.
