Unduh graph learn - graph learn Kode Sumber Unduh

graph learn

ular piton

v1.1.0

Unduh

Berita

Perpustakaan akselerasi GNN kami untuk Pytorch sekarang tersedia. https://github.com/alibaba/graphlearn-for-pytorch

Dokumentasi

简体中文 | Bahasa inggris

Graph-Learn (sebelumnya Aligraph) adalah kerangka kerja terdistribusi yang dirancang untuk pengembangan dan penerapan jaringan saraf grafik skala besar. Ini telah berhasil diterapkan pada banyak skenario di dalam Alibaba, seperti rekomendasi pencarian, keamanan jaringan, dan grafik pengetahuan. Setelah grafik-belajar 1.0, kami menambahkan layanan inferensi online ke kerangka kerja grafik, memberikan solusi lengkap termasuk pelatihan dan inferensi untuk GNNs untuk digunakan dalam bisnis nyata.

Graphlearn-Training
Kerangka kerja pelatihan, mendukung pengambilan sampel pada grafik batch, pelatihan offline atau model GNN tambahan.
Ini menyediakan antarmuka Python dan C ++ untuk operasi pengambilan sampel grafik dan menyediakan antarmuka GSL (Bahasa Pengambilan Sampel Grafik) seperti Gremlin. Untuk model GNN, grafik-learn menyediakan serangkaian paradigma dan proses untuk pengembangan model. Ini kompatibel dengan TensorFlow dan Pytorch, dan menyediakan lapisan data, antarmuka lapisan model dan contoh model yang kaya.
Detail
Layanan-grafik dinamis
Layanan inferensi online, mendukung pengambilan sampel real-time pada grafik dinamis dengan pembaruan grafik streaming.
Ini memberikan jaminan kinerja latensi pengambilan sampel P99 dalam 20ms pada grafik dinamis skala besar. Sisi klien dari layanan inferensi online menyediakan antarmuka Java GSL dan prediksi model TensorFlow.
Detail

Gunakan pelatihan graphlearn dan layanan grafik dinamis untuk pelatihan dan inferensi.

ringkasan

Seorang pengguna memulai permintaan di web (0), sampel secara real time pada grafik dinamis melalui sisi klien (1), menggunakan sampel sebagai input model, dan meminta hasil prediksi dari layanan model (3).
Hasil prediksi, umpan balik, dan beberapa konteks di web dikirim ke hub data (0, 3), misalnya, layanan log.
Pembaruan data mengalir secara aliran ke layanan grafik dinamis sebagai pembaruan grafik (4).
Graphlearn-Training Hourly Loads Window data grafik, model kereta tambahan, dan pembaruan model pada layanan model TensorFlow.

Kutipan

Harap kutip makalah berikut dalam publikasi Anda jika grafik-belajar membantu meneliti Anda.

 @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}
}