Training di una rete di grafici profonda

In questa panoramica, viene illustrato come iniziare a utilizzare una rete di grafici profonda utilizzando uno dei container DGL nel Registro di Amazon Elastic Container (Amazon ECR). È inoltre possibile visualizzare link ad esempi pratici per reti di grafici profonde.

Che cos'è una rete di grafici profonda

Le reti di grafici profonde si riferiscono a un tipo di rete neurale formata per risolvere i problemi dei grafici. Una rete deep graph utilizza un framework di deep learning sottostante come PyTorch o MXNet. Il potenziale delle reti grafiche nelle applicazioni pratiche di intelligenza artificiale è evidenziato nei SageMaker tutorial di Amazon per Deep Graph Library (DGL). Esempi di modelli di training sui set di dati grafici includono i social network, le basi di conoscenza, la biologia e la chimica.

Figura 1. L'ecosistema DGL

Vengono forniti diversi esempi utilizzando i contenitori SageMaker di deep learning di Amazon preconfigurati con DGL. Se si dispone di moduli speciali che si desidera utilizzare con DGL, è anche possibile creare il proprio container. Gli esempi riguardano eterografici, che sono grafici che hanno più tipi di nodi ed edge e si basano su una varietà di applicazioni in diversi campi scientifici, come la bioinformatica e l'analisi dei social network. DGL fornisce una vasta gamma di implementazioni di rete neurale grafica per modelli di diversi tipi. Alcuni dei punti salienti includono:

• Rete convoluzionale di grafici (GCN)

• Rete convoluzionale di grafici relazionali (R-GCN)

• Rete di attenzione del grafico (GAT)

• Modelli generativi profondi di grafici (DGMG)

• Rete neurale dell'albero di giunzione (JTNN)

Inizia

DGL è disponibile come container di deep learning in Amazon ECR. Puoi selezionare contenitori di deep learning quando scrivi la funzione di stima su un SageMaker notebook Amazon. Puoi anche creare il tuo container personalizzato con DGL seguendo la guida Bring Your Own Container. Il modo più semplice per iniziare a utilizzare una rete di grafici profonda utilizza uno dei contenitori DGL in Amazon ECR. 

Nota

Il supporto del framework di backend è limitato a PyTorch e MXNet.

Installazione

Se utilizzi Amazon SageMaker Studio, devi prima clonare l'archivio degli esempi. Se utilizzi un'istanza notebook, puoi trovare gli esempi scegliendo l' SageMaker icona nella parte inferiore della barra degli strumenti a sinistra.

Per clonare l'Amazon SageMaker SDK e l'archivio di esempi di notebook

1. Dalla JupyterLabvisualizzazione in Amazon SageMaker, vai al File Browser nella parte superiore della barra degli strumenti a sinistra. Dal riquadro del browser dei file è possibile vedere una nuova navigazione nella parte superiore del pannello.

2. Scegliere l'icona all'estrema destra per clonare un repository Git.

3. Aggiungi l'URL del repository: https://github.com/awslabs/ .git amazon-sagemaker-examples

4. Sfogliare la cartella appena aggiunta e il relativo contenuto. Gli esempi DGL sono archiviati nella cartella. sagemaker-python-sdk

Eseguire un esempio di training sulla rete dei grafici

Per formare una rete di grafici profonda

1. Dalla JupyterLabvisualizzazione in Amazon SageMaker, sfoglia i taccuini di esempio e cerca le cartelle DGL. File diversi possono essere inclusi per supportare un esempio. Esaminare il README per eventuali prerequisiti.

2. Eseguire l'esempio del notebook con estensione ipynb. 

3. Trovare la funzione di stima e annotare la riga in cui utilizza un container Amazon ECR per DGL e un tipo di istanza specifico. Potrebbe essere necessario aggiornare questo per utilizzare un container nella regione preferita.

4. Eseguire la funzione per avviare l'istanza e utilizzare il container DGL per formare una rete di grafici. Vengono addebitati i costi per l'avvio di questa istanza. L'istanza si interrompe automaticamente quando il training è completato.

Esempi

Viene fornito un esempio di Knowledge Graph Embedding (KGE) in cui si utilizza il set di dati Freebase, una base di conoscenza di fatti generali. Un caso d'uso esemplificativo sarebbe quello di tracciare graficamente le relazioni delle persone e prevedere la loro nazionalità. 

Un esempio di implementazione di una rete convoluzionale di grafici (GCN) mostra come è possibile sottoporre a training una rete di grafici per prevedere la tossicità. Un set di dati di fisiologia, Tox21, fornisce misure di tossicità per il modo in cui le sostanze influenzano le risposte biologiche. 

Un altro esempio di GCN mostra come formare una rete di grafici su un dataset bibliografico di pubblicazioni scientifiche, noto come Cora. È possibile utilizzarlo per trovare relazioni tra autori, argomenti e conferenze.

L'ultimo esempio è un sistema di suggerimenti per le recensioni di film. Utilizza una rete GCMC (Graph Convolutional Matrix Completion) addestrata sui set di dati. MovieLens Questi set di dati sono costituiti da titoli di film, generi e classificazioni degli utenti.

Utilizzare un container deep learning con DGL

Nell’esempio seguente vengono utilizzati container deep learning preconfigurati. Questo è il più semplice da provare poiché funziona immediatamente su Amazon SageMaker.

• Semi-supervised classification of a knowledge base using a GCN

Bring Your Own Container (BYOC) con DGL

Gli esempi seguenti consentono di portare il proprio container (BYOC). Leggi la guida BYOC e familiarizza con questo processo prima di provare. È necessaria la configurazione.

• Molecular property prediction of toxicity using a GCN

• Recommender system for movies using a GCMC implementation