深度图网络 - Amazon SageMaker

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

深度图网络

深度图表网络是指一种经过训练的用于解决图表问题的神经网络。深度图网络使用底层的深度学习框架，例如 PyTorch 或MXNet。Amazon 深度图库 SageMaker 教程 (DGL) 中重点介绍了图形网络在实际人工智能应用中的潜力。图表数据集上的训练模型示例包括社交网络、知识库、生物学和化学。

The Deep Graph Library (DGL) ecosystem.

图 1. DGL生态系统

提供了几个使用预配置 SageMaker的 Amazon 深度学习容器的示例。DGL如果您想使用特殊模块DGL，也可以构建自己的容器。这些示例涉及异质图表，即具有多种类型的节点和边缘的图表，并利用了跨不同科学领域的各种应用，如生物信息学和社交网络分析。DGL为不同类型的模型提供了各种各样的图神经网络实现。部分亮点包括：

  • 图卷积网络 () GCN

  • 关系图卷积网络 (R-) GCN

  • Graph 注意力网络 (GAT)

  • 图表的深度生成模型 (DGMG)

  • 交汇树神经网络 (JTNN)

训练深度图表网络

  1. 从 Amazon 的JupyterLab视图中 SageMaker，浏览示例笔记本并查找DGL文件夹。可以包含多个文件来支持示例。检查是否存在README任何先决条件。

  2. 运行 .ipynb 笔记本示例。 

  3. 找到 estimator 函数，记下它使用 Amazon ECR 容器和特定实例DGL类型的那一行。您可能需要更新此项以使用首选区域中的容器。

  4. 运行函数启动实例并使用DGL容器训练图网络。启动此实例将会产生费用。在训练完成后，实例将自行终止。

提供了知识图谱嵌入 (KGE) 的示例。它使用 Freebase 数据集，这是一般事实的知识库。一个示例使用案例是绘制人员关系图并预测人员的国籍。 

图卷积网络 (GCN) 的示例实现显示了如何训练图网络来预测毒性。生理学数据集 Tox21 提供了物质如何影响生物反应的毒性测量。 

另一个GCN示例向您展示了如何在名为 Cora 的科学出版物书目数据集上训练图形网络。您可以使用它查找作者、主题和会议之间的关系。

最后一个示例是电影评论的推荐系统。它使用在数据集上训练的图形卷积矩阵完成 (GCMC) 网络。 MovieLens 这些数据集包含电影片名、类型和用户评分。