Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Réseaux graphiques profonds
Les réseaux graphiques profonds font référence à un type de réseau de neurones entraîné pour résoudre des problèmes graphiques. Un réseau de graphes profonds utilise un cadre d'apprentissage profond sous-jacent tel que PyTorch ou MXNet. Le potentiel des réseaux de graphes dans les applications pratiques d'IA est mis en évidence dans les didacticiels Amazon SageMaker AI pour Deep Graph Library
Figure 1. L'écosystème DGL
Plusieurs exemples sont fournis à l'aide des conteneurs d'apprentissage en profondeur d'Amazon SageMaker AI préconfigurés avec DGL. Si vous avez des modules spéciaux que vous souhaitez utiliser avec DGL, vous pouvez également construire votre propre conteneur. Les exemples concernent des hétérographes, qui sont des graphiques avec plusieurs types de nœuds et de bords, et qui s'appuient sur une variété d'applications dans des domaines scientifiques différents, tels que la bioinformatique et l'analyse des réseaux sociaux. DGL fournit un large éventail de mise en œuvres de réseaux de neurones graphiques pour différents modèles de types.https://docs.dgl.ai/tutorials/models/index.html
-
Réseau graphique convolutif (GCN)
-
Réseau convolutif graphique relationnel (R-GCN)
-
Réseau d'attention graphique (GAT)
-
Modèles génératifs profonds de graphiques (DGMG)
-
Réseau neuronal en arbre de jonction (JTNN)
Pour entraîner un réseau graphique profond
-
Dans la JupyterLabvue d'Amazon SageMaker AI, parcourez les exemples de carnets
de notes et recherchez les dossiers DGL. Plusieurs fichiers peuvent être inclus pour prendre en charge un exemple. Examinez le fichier README pour les conditions préalables. -
Exécutez l'exemple de bloc-notes .ipynb.
-
Recherchez la fonction estimateur et notez la ligne où elle utilise un conteneur Amazon ECR pour DGL et un type d'instance spécifique. Vous pouvez mettre ce point à jour pour utiliser un conteneur dans votre région préférée.
-
Exécutez la fonction pour lancer l'instance et utilisez le conteneur DGL pour entraîner un réseau graphique. Des frais sont encourus pour le lancement de cette instance. L'instance se termine automatiquement lorsque l'entraînement est terminée.
Un exemple d'intégration de graphiques de connaissances (KGE) est fourni. Il utilise le jeu de données Freebase, une base de connaissances de faits généraux. Un exemple de cas d'utilisation serait de tracer les relations des personnes et de prédire leur nationalité.
Un exemple de mise en œuvre d'un réseau graphique convolutif (GCN) montre comment vous pouvez entraîner un réseau graphique pour prédire la toxicité. Un ensemble de données physiologiques, Tox21, fournit des mesures de toxicité pour déterminer comment les substances affectent les réponses biologiques.
Un autre exemple de GCN vous montre comment entraîner un réseau de graphiques sur un ensemble de données bibliographiques de publications scientifiques, connu sous le nom de Cora. Vous pouvez l'utiliser pour rechercher les relations entre les auteurs, les rubriques et les conférences.
Le dernier exemple est un système de recommandation pour les critiques de films. Il utilise un réseau de complétion matricielle convolutionnelle de graphes (GCMC) entraîné sur les ensembles de données. MovieLens Ces ensembles de données sont constitués de titres, de genres et d'évaluations de films par les utilisateurs.
