深度圖形網路 - Amazon SageMaker AI

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

深度圖形網路

深度圖形網路是指經過訓練以解決圖形問題的一種神經網路。深度圖形網路使用基礎深度學習框架，例如 PyTorch 或 MXNet。Amazon SageMaker AI 教學課程 forDeep Graph Library (DGL) 中強調了在實際 AI 應用程式中圖形網路的可能性。以圖形資料集來訓練模型的例子包括社交網路、知識庫、生物學和化學。

The Deep Graph Library (DGL) ecosystem.

圖 1。DGL 生態系統

數個範例使用 Amazon SageMaker AI 的深度學習容器提供，這些容器已預先設定 DGL。如果你有特殊的模組要與 DGL 搭配使用，你也可以建置自己的容器。這些範例涉及異質圖形，即具有多種節點和邊緣的圖形，繪製在不同科學領域的各種應用上，例如生物資訊學和社交網路分析。DGL 提供各式各樣適合各種不同模型的圖形神經網路實作。一些重點包括：

  • 圖形卷積網路 (GCN)

  • 關聯式圖形卷積網路 (R-GCN)

  • 圖形注意力網路 (GAT)

  • 圖形的深度生成模型 (DGMG)

  • 聯合樹狀神經網路 (JTNN)

訓練深度圖形網路

  1. 從 Amazon SageMaker AI 的 JupyterLab 檢視中，瀏覽範例筆記本並尋找 DGL 資料夾。可能會包含數個檔案來支援範例。查看 README 中是否有任何必要條件。

  2. 執行 .ipynb 筆記本範例。 

  3. 尋找估算器函式，注意它在哪一行針對 DGL 使用 Amazon ECR 容器和使用特定的執行個體類型。您可以更新這一項，以使用您偏好的區域中的容器。

  4. 執行此函式以啟動執行個體，並使用 DGL 容器來訓練圖形網路。啟動此執行個體會產生費用。訓練完成時，執行個體會自我終止。

提供知識圖形內嵌 (KGE) 的範例。使用 Freebase 資料集，這是一般常識的知識庫。例如，一個使用案例可能是繪製人們的關係並預測其國籍。 

圖形卷積網路 (GCN) 的實作範例指出如何訓練圖形網路來預測毒性。生理學資料集 Tox21 提供物質如何影響生物反應的毒性測量。 

另一個 GCN 範例指出如何以稱為 Cora 的科學出版物書目資料集來訓練圖形網路。這可用來尋找作者、主題和會議之間的關係。

最後一個範例是電影評論推薦系統。使用以 MovieLens 資料集訓練的圖形卷積矩陣完整 (GCMC) 網路。這些資料集包含電影標題、內容類型和使用者評等。