As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
As redes de gráficos profundos referem-se a um tipo de rede neural que é treinada para resolver problemas de gráficos. Uma rede gráfica profunda usa uma estrutura subjacente de aprendizado profundo, como PyTorch ou MXNet. O potencial das redes gráficas em aplicações práticas de IA é destacado nos tutoriais de SageMaker IA da Amazon para a Deep Graph Library
Figura 1. O ecossistema DGL
Vários exemplos são fornecidos usando os contêineres de aprendizado profundo da Amazon SageMaker AI que são pré-configurados com o DGL. Se você tiver módulos especiais que deseja usar com a DGL, também poderá criar seu próprio contêiner. Os exemplos envolvem heterográficos, que são gráficos que têm vários tipos de nós e arestas, e se inspiram em uma variedade de aplicações em diferentes campos científicos, como bioinformática e análise de redes sociais. A DGL fornece uma ampla gama de implementações de rede neural de gráficos para modelos de diferentes tipos
-
Rede convolucional de gráficos (GCN)
-
– Rede convolucional de gráfico relacional (R-GCN)
-
Rede de atenção de gráfico (GAT)
-
Modelos gerais profundos de gráficos (DGMG)
-
Rede neural de árvore de junção (JTNN)
Como treinar uma rede de gráficos profundos
-
Na JupyterLabvisualização no Amazon SageMaker AI, navegue pelos cadernos de exemplo e procure as pastas
DGL. Vários arquivos podem ser incluídos para oferecer compatibilidade com um exemplo. Examine o README para qualquer pré-requisito. -
Execute o exemplo do caderno .ipynb.
-
Encontre a função estimadora e anote a linha onde ela está usando um contêiner do Amazon ECR para a DGL e um tipo de instância específico. Você pode querer atualizar isso para usar um contêiner em sua região preferida.
-
Execute a função para executar a instância e use o contêiner da DGL para treinar uma rede de gráficos. São geradas cobranças para executar essa instância. A instância é encerrada automaticamente quando o treinamento é concluído.
Um exemplo de incorporação de gráficos de conhecimento (KGE) é fornecido. Ele usa o conjunto de dados do Freebase, uma base de conhecimento de fatos gerais. Um exemplo de caso de uso seria criar um gráfico de relações de pessoas e prever sua nacionalidade.
Um exemplo de implementação de uma rede convolucional de gráficos (GCN) mostra como você pode treinar uma rede de gráficos para prever a toxicidade. Um conjunto de dados fisiológicos, Tox21, fornece medições de toxicidade de como as substâncias afetam as respostas biológicas.
Outro exemplo de GCN mostra como treinar uma rede de gráficos em um conjunto de dados bibliográficos de publicações científicas, conhecido como Cora. É possível usá-la para encontrar relações entre autores, tópicos e conferências.
O último exemplo é um sistema de recomendação para avaliações de filmes. Ele usa uma rede de preenchimento de matriz convolucional gráfica (GCMC) treinada nos conjuntos de dados. MovieLens Esses conjuntos de dados consistem em títulos de filmes, gêneros e classificações de usuários.
