Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Predikat Neptune ML digunakan dalam query inferensi Gremlin

Neptune#ml.deterministic

Predikat ini adalah opsi untuk kueri inferensi induktif — yaitu, untuk kueri yang menyertakan predikat. Neptune#ml.inductiveInference

Saat menggunakan inferensi induktif, mesin Neptunus membuat subgraf yang sesuai untuk mengevaluasi model GNN yang terlatih, dan persyaratan subgraf ini bergantung pada parameter model akhir. Secara khusus, num-layer parameter menentukan jumlah hop traversal dari node atau tepi target, dan fanouts parameter menentukan berapa banyak tetangga untuk sampel pada setiap hop (lihat parameter HPO).

Secara default, kueri inferensi induktif berjalan dalam mode non-deterministik, di mana Neptunus membangun lingkungan secara acak. Saat membuat prediksi, pengambilan sampel tetangga-acak normal ini terkadang menghasilkan prediksi yang berbeda.

Saat Anda memasukkan Neptune#ml.deterministic dalam kueri inferensi induktif, mesin Neptunus mencoba mengambil sampel tetangga dengan cara deterministik sehingga beberapa pemanggilan dari kueri yang sama mengembalikan hasil yang sama setiap saat. Hasilnya tidak dapat dijamin sepenuhnya deterministik, karena perubahan pada grafik dan artefak yang mendasari sistem terdistribusi masih dapat menimbulkan fluktuasi.

Anda menyertakan Neptune#ml.deterministic predikat dalam kueri seperti ini:

.with("Neptune#ml.deterministic")

Jika Neptune#ml.deterministic predikat disertakan dalam kueri yang tidak juga termasukNeptune#ml.inductiveInference, itu diabaikan begitu saja.

Neptune#ml.disableInductiveInferenceMetadataCache

Predikat ini adalah opsi untuk kueri inferensi induktif — yaitu, untuk kueri yang menyertakan predikat. Neptune#ml.inductiveInference

Untuk kueri inferensi induktif, Neptunus menggunakan file metadata yang disimpan di Amazon S3 untuk menentukan jumlah hop dan fanout saat membangun lingkungan. Neptunus biasanya menyimpan metadata model ini untuk menghindari pengambilan file dari Amazon S3 berulang kali. Caching dapat dinonaktifkan dengan memasukkan Neptune#ml.disableInductiveInferenceMetadataCache predikat dalam kueri. Meskipun mungkin lebih lambat bagi Neptunus untuk mengambil metadata langsung dari Amazon S3, ini SageMaker berguna ketika titik akhir telah diperbarui setelah pelatihan ulang atau transformasi dan cache sudah basi.

Anda menyertakan Neptune#ml.disableInductiveInferenceMetadataCache predikat dalam kueri seperti ini:

.with("Neptune#ml.disableInductiveInferenceMetadataCache")

Berikut adalah bagaimana kueri sampel mungkin terlihat di notebook Jupyter:

%%gremlin
g.with("Neptune#ml.endpoint", "ep1")
 .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole")
 .with("Neptune#ml.disableInductiveInferenceMetadataCache")
 .V('101').properties("rating")
 .with("Neptune#ml.regression")
 .with("Neptune#ml.inductiveInference")

Neptune#ml.endpoint

Predikat Neptune#ml.endpoint digunakan dalam langkah with() untuk menentukan titik akhir inferensi, jika perlu:

 .with("Neptune#ml.endpoint", "the model's SageMaker inference endpoint")

Anda dapat mengidentifikasi titik akhir baik dengan id atau URL-nya. Misalnya:

 .with( "Neptune#ml.endpoint", "node-classification-movie-lens-endpoint" )

Atau:

 .with( "Neptune#ml.endpoint", "https://runtime.sagemaker.us-east-1.amazonaws.com/endpoints/node-classification-movie-lens-endpoint/invocations" )

Neptune#ml.iamRoleArn

Neptune#ml.iamRoleArndigunakan dalam with() langkah untuk menentukan ARN dari peran SageMaker eksekusi IAM, jika perlu:

 .with("Neptune#ml.iamRoleArn", "the ARN for the SageMaker execution IAM role")

Untuk informasi tentang cara membuat peran IAM SageMaker eksekusi, lihatBuat NeptuneSageMakerIAMRole peran khusus.

Neptunus #ml .InductiveInference

Inferensi transduktif diaktifkan secara default di Gremlin. Untuk membuat kueri inferensi induktif real-time, sertakan Neptune#ml.inductiveInference predikat seperti ini:

.with("Neptune#ml.inductiveInference")

Jika grafik Anda dinamis, inferensi induktif seringkali merupakan pilihan terbaik, tetapi jika grafik Anda statis, inferensi transduktif lebih cepat dan lebih efisien.

Neptune#ml.limit

Neptune#ml.limitPredikat secara opsional membatasi jumlah hasil yang dikembalikan per entitas:

 .with( "Neptune#ml.limit", 2 )

Secara default, batasnya adalah 1, dan jumlah maksimum yang dapat diatur adalah 100.

Neptune#ml.threshold

Predikat Neptune#ml.threshold secara opsional menetapkan ambang batas cutoff untuk skor hasil:

 .with( "Neptune#ml.threshold", 0.5D )

Hal ini memungkinkan Anda membuang semua hasil dengan skor di bawah ambang batas yang ditentukan.

Neptune#ml.classification

Neptune#ml.classificationPredikat dilampirkan pada properties() langkah untuk menetapkan bahwa properti perlu diambil dari SageMaker titik akhir model klasifikasi simpul:

 .properties( "property key of the node classification model" ).with( "Neptune#ml.classification" )

Neptune#ml.regression

Neptune#ml.regressionPredikat dilampirkan ke properties() langkah untuk menetapkan bahwa properti perlu diambil dari SageMaker titik akhir model regresi simpul:

 .properties( "property key of the node regression model" ).with( "Neptune#ml.regression" )

Neptune#ml.prediction

Predikat Neptune#ml.prediction dilampirkan ke langkah in() dan out() untuk menetapkan bahwa ini adalah kueri prediksi link:

 .in("edge label of the link prediction model").with("Neptune#ml.prediction").hasLabel("target node label")

Neptune#ml.score

Neptune#ml.scorePredikat digunakan dalam kueri klasifikasi simpul atau tepi Gremlin untuk mengambil Skor kepercayaan pembelajaran mesin. Neptune#ml.scorePredikat harus diteruskan bersama dengan predikat kueri dalam properties() langkah untuk mendapatkan skor kepercayaan ML untuk kueri klasifikasi simpul atau tepi.

Anda dapat menemukan contoh klasifikasi simpul dengan contoh klasifikasi simpul lainnya, dan contoh klasifikasi tepi di bagian klasifikasi tepi.