Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Reti di grafici profonde
Le reti di grafici profonde si riferiscono a un tipo di rete neurale formata per risolvere i problemi dei grafici. Una rete di grafici profonda utilizza un framework di deep learning sottostante come PyTorch o MXNet. Il potenziale per le reti a grafi nelle applicazioni IA pratiche è evidenziato nei tutorial relativi ad Amazon SageMaker AI per Deep Graph Library
Figura 1. L'ecosistema DGL
Vengono forniti diversi esempi di utilizzo di container deep learning di Amazon SageMaker AI preconfigurati con DGL. Se si dispone di moduli speciali che si desidera utilizzare con DGL, è anche possibile creare il proprio container. Gli esempi riguardano eterografici, che sono grafici che hanno più tipi di nodi ed edge e si basano su una varietà di applicazioni in diversi campi scientifici, come la bioinformatica e l'analisi dei social network. DGL fornisce una vasta gamma di implementazioni di rete neurale grafica per modelli di diversi tipi
-
Rete convoluzionale di grafici (GCN)
-
Rete convoluzionale di grafici relazionali (R-GCN)
-
Rete di attenzione del grafico (GAT)
-
Modelli generativi profondi di grafici (DGMG)
-
Rete neurale dell'albero di giunzione (JTNN)
Per addestrare una rete di grafici profonda
-
Dalla vista JupyterLab in Amazon SageMaker AI, accedi ai notebook di esempio
e cerca le cartelle DGL. File diversi possono essere inclusi per supportare un esempio. Esaminare il README per eventuali prerequisiti. -
Eseguire l'esempio del notebook con estensione ipynb.
-
Trova la funzione dello strumento di valutazione e annota la riga in cui utilizza un container Amazon ECR per DGL e un tipo di istanza specifico. Potrebbe essere necessario aggiornare questo per utilizzare un container nella Regione preferita.
-
Eseguire la funzione per avviare l'istanza e utilizzare il container DGL per addestrare una rete di grafici. Vengono addebitati i costi per l'avvio di questa istanza. L'istanza si interrompe automaticamente quando l’addestramento è completato.
Viene fornito un esempio di Knowledge Graph Embedding (KGE) in cui si utilizza il set di dati Freebase, una base di conoscenza di fatti generali. Un caso d'uso esemplificativo sarebbe quello di tracciare graficamente le relazioni delle persone e prevedere la loro nazionalità.
Un esempio di implementazione di una rete convoluzionale di grafici (GCN) mostra come è possibile addestrare una rete di grafici per prevedere la tossicità. Un set di dati di fisiologia, Tox21, fornisce misure di tossicità per il modo in cui le sostanze influenzano le risposte biologiche.
Un altro esempio di GCN mostra come addestrare una rete di grafici su un dataset bibliografico di pubblicazioni scientifiche, noto come Cora. È possibile utilizzarlo per trovare relazioni tra autori, argomenti e conferenze.
L'ultimo esempio è un sistema di suggerimenti per le recensioni di film. Esso utilizza una rete di completamento della matrice convoluzionale dei grafici (GCMC) formata sui set di dati MovieLens. Questi set di dati sono costituiti da titoli di film, generi e classificazioni degli utenti.
