Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
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 atau MXNet. Potensi jaringan grafik dalam aplikasi AI praktis disorot dalam tutorial Amazon SageMaker AI untuk Deep Graph Library
Gambar 1. Ekosistem DGL
Beberapa contoh disediakan menggunakan wadah pembelajaran mendalam Amazon SageMaker AI yang telah dikonfigurasi sebelumnya dengan DGL. Jika Anda memiliki modul khusus yang ingin Anda gunakan dengan DGL, Anda juga dapat membangun 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. DGL menyediakan beragam implementasi jaringan saraf grafik untuk berbagai jenis model
-
Grafik jaringan convolutional (GCN)
-
Jaringan konvolusional grafik relasional (R-GCN)
-
Jaringan perhatian grafik (GAT)
-
Model grafik generatif mendalam (DGMG)
-
Jaringan saraf pohon persimpangan (JTNN)
Untuk melatih jaringan grafik yang dalam
-
Dari JupyterLabtampilan di Amazon SageMaker AI, telusuri contoh notebook
dan cari folder DGL. Beberapa file dapat disertakan untuk mendukung contoh. Periksa README untuk prasyarat apa pun. -
Jalankan contoh notebook.ipynb.
-
Temukan fungsi estimator, dan catat baris di mana ia menggunakan wadah Amazon ECR untuk DGL dan jenis instance tertentu. Anda mungkin ingin memperbarui ini untuk menggunakan wadah di Wilayah pilihan Anda.
-
Jalankan fungsi untuk meluncurkan instance dan gunakan wadah DGL 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 jaringan konvolusional grafik (GCN) menunjukkan bagaimana Anda dapat melatih jaringan grafik untuk memprediksi toksisitas. Dataset fisiologi, Tox21, memberikan pengukuran toksisitas untuk bagaimana zat mempengaruhi respons biologis.
Contoh GCN 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.
