Jaringan Grafik Dalam

Jaringan grafik dalam mengacu pada jenis jaringan saraf yang dilatih untuk memecahkan masalah grafik. Jaringan grafik dalam menggunakan kerangka pembelajaran mendalam yang mendasarinya seperti PyTorch atauMXNet. Potensi jaringan grafik dalam aplikasi AI praktis disorot dalam SageMaker tutorial Amazon untuk Deep Graph Library (DGL). Contoh untuk model pelatihan pada kumpulan data grafik termasuk jejaring sosial, basis pengetahuan, biologi, dan kimia.

Gambar 1. DGLEkosistem

Beberapa contoh disediakan menggunakan wadah pembelajaran mendalam SageMaker Amazon yang telah dikonfigurasi sebelumnya. DGL Jika Anda memiliki modul khusus yang ingin Anda gunakanDGL, Anda juga dapat membuat wadah Anda sendiri. Contohnya melibatkan heterograf, yang merupakan grafik yang memiliki beberapa jenis simpul dan tepi, dan menggambar pada berbagai aplikasi di bidang ilmiah yang berbeda, seperti bioinformatika dan analisis jejaring sosial. DGLmenyediakan beragam implementasi jaringan saraf grafik untuk berbagai jenis model. Beberapa sorotan meliputi:

• Grafik jaringan convolutional () GCN

• Jaringan konvolusional grafik relasional (R-) GCN

• Jaringan perhatian grafik (GAT)

• Model grafik generatif yang mendalam () DGMG

• Jaringan saraf pohon persimpangan () JTNN

Untuk melatih jaringan grafik yang dalam

1. Dari JupyterLabtampilan di Amazon SageMaker, telusuri contoh notebook dan cari DGL folder. Beberapa file dapat disertakan untuk mendukung contoh. Periksa README prasyarat apa pun.

2. Jalankan contoh notebook.ipynb. 

3. Temukan fungsi estimator, dan catat baris di mana ia menggunakan ECR wadah Amazon untuk DGL dan jenis instance tertentu. Anda mungkin ingin memperbarui ini untuk menggunakan wadah di Wilayah pilihan Anda.

4. Jalankan fungsi untuk meluncurkan instance dan gunakan DGL wadah untuk melatih jaringan grafik. Biaya dikeluarkan untuk meluncurkan instance ini. Contoh berakhir sendiri ketika pelatihan selesai.

Contoh penyematan grafik pengetahuan (KGE) disediakan. Ini menggunakan dataset Freebase, basis pengetahuan fakta umum. Contoh kasus penggunaan adalah untuk membuat grafik hubungan orang dan memprediksi kebangsaan mereka. 

Contoh implementasi grafik convolutional network (GCN) menunjukkan bagaimana Anda dapat melatih jaringan grafik untuk memprediksi toksisitas. Dataset fisiologi, Tox21, memberikan pengukuran toksisitas untuk bagaimana zat mempengaruhi respons biologis. 

GCNContoh lain menunjukkan kepada Anda cara melatih jaringan grafik pada kumpulan data bibliografi publikasi ilmiah, yang dikenal sebagai Cora. Anda dapat menggunakannya untuk menemukan hubungan antara penulis, topik, dan konferensi.

Contoh terakhir adalah sistem rekomendasi untuk ulasan film. Ini menggunakan jaringan penyelesaian matriks konvolusional grafik (GCMC) yang dilatih pada kumpulan data. MovieLens Kumpulan data ini terdiri dari judul film, genre, dan peringkat oleh pengguna.