graph learn Download - graph learn Fuente Código fuente Descargar

graph learn

Pitón

v1.1.0

Descargar

Noticias

Nuestra biblioteca de aceleración de GNN para Pytorch ya está disponible. https://github.com/alibaba/graphlearn-for-pytorch

Documentación

简体中文 | Inglés

Graph-Learn (anteriormente Aligraph) es un marco distribuido diseñado para el desarrollo y la aplicación de redes neuronales gráficas a gran escala. Se ha aplicado con éxito a muchos escenarios dentro de Alibaba, como la recomendación de búsqueda, la seguridad de la red y el gráfico de conocimiento. Después de Graph-Learn 1.0, agregamos servicios de inferencia en línea al marco Graph-Learn, proporcionando una solución completa que incluye capacitación e inferencia para los GNN que se utilizarán en negocios reales.

Entrenamiento gráfico
El marco de capacitación admite muestreo en gráficos por lotes, entrenamiento fuera de línea o modelos GNN incrementales.
Proporciona interfaces de Python y C ++ para operaciones de muestreo de gráficos y proporciona una interfaz GSL similar a Gremlin (lenguaje de muestreo de gráficos). Para los modelos GNN, Graph-Learn proporciona un conjunto de paradigmas y procesos para el desarrollo del modelo. Es compatible con TensorFlow y Pytorch, y proporciona capa de datos, interfaces de capa de modelo y ejemplos de modelos ricos.
Detalle
Servicio dinámico
Un servicio de inferencia en línea admite muestreo en tiempo real en gráficos dinámicos con actualizaciones de gráficos de transmisión.
Proporciona una garantía de rendimiento de la latencia de muestreo P99 en 20 ms en gráficos dinámicos a gran escala. El lado del cliente del servicio de inferencia en línea proporciona interfaces Java GSL y predicen el modelo TensorFlow.
Detalle

Use el entrenamiento Graphlearn y el servicio dinámico de gráfico para el entrenamiento e inferencia.

descripción general

Un usuario inicia una solicitud en la web (0), muestras en tiempo real en el gráfico dinámico a través del lado del cliente (1), utiliza las muestras como entrada del modelo y solicita los resultados de predicción del servicio del modelo (3).
Los resultados de la predicción, los comentarios y algún contexto en la web se envían al centro de datos (0, 3), por ejemplo, servicio de registro.
Las actualizaciones de datos fluyen de flujo al servicio de gráficos dinámicos como actualizaciones de gráficos (4).
Graphlearn Training Hourly Carga ventana de datos de gráficos, modelos de trenes incrementales y actualizaciones de actualizaciones en el servicio de modelos TensorFlow.

Citación

Cite el siguiente documento en sus publicaciones si Graph-Learn ayuda a su investigación.

 @article{zhu2019aligraph,
  title={AliGraph: a comprehensive graph neural network platform},
  author={Zhu, Rong and Zhao, Kun and Yang, Hongxia and Lin, Wei and Zhou, Chang and Ai, Baole and Li, Yong and Zhou, Jingren},
  journal={Proceedings of the VLDB Endowment},
  volume={12},
  number={12},
  pages={2094--2105},
  year={2019},
  publisher={VLDB Endowment}
}