graph learn Download - graph learn Source Code Download

graph learn

Pitão

v1.1.0

Baixar

Notícias

Nossa biblioteca de aceleração do GNN para Pytorch já está disponível. https://github.com/alibaba/graphlearn-for-pytorch

Documentação

简体中文 | Inglês

O Graph-Learn (anteriormente ALIGRAPH) é uma estrutura distribuída projetada para o desenvolvimento e aplicação de redes neurais gráficas em larga escala. Foi aplicado com sucesso a muitos cenários do Alibaba, como recomendação de pesquisa, segurança de rede e gráfico de conhecimento. Após o gráfico do Learn 1.0, adicionamos serviços de inferência on-line à estrutura de aprendizado de gráfico, fornecendo uma solução completa, incluindo treinamento e inferência para que o GNNS seja usado em negócios reais.

Treinamento da GRAFLELHEN
A estrutura de treinamento, suporta amostragem em gráficos de lote, treinamento offline ou modelos incrementais de GNN.
Ele fornece interfaces Python e C ++ para operações de amostragem de gráficos e fornece uma interface GSL do tipo Gremlin (linguagem de amostragem de gráficos). Para os modelos GNN, o gráfico-aprendiz fornece um conjunto de paradigmas e processos para o desenvolvimento do modelo. É compatível com Tensorflow e Pytorch e fornece camada de dados, interfaces de camada de modelo e exemplos de modelos ricos.
Detalhe
Serviço de graph dinâmico
Um serviço de inferência on-line, suporta amostragem em tempo real em gráficos dinâmicos com atualizações de gráficos de streaming.
Ele fornece uma garantia de desempenho da amostragem de latência P99 em 20ms em gráficos dinâmicos em larga escala. O lado do cliente do serviço de inferência on -line fornece interfaces Java GSL e o modelo Tensorflow.
Detalhe

Use o Serviço de Treinamento da Greatlearn e Dinâmico para Treinamento e Inferência.

visão geral

Um usuário inicia uma solicitação na web (0), amostras em tempo real no gráfico dinâmico pelo lado do cliente (1), usa as amostras como entrada do modelo e solicita os resultados da previsão do serviço de modelo (3).
Os resultados da previsão, feedback e algum contexto na Web são enviados para o hub de dados (0, 3), por exemplo, serviço de log.
As atualizações de dados fluem fluxando para o serviço de gráfico dinâmico como atualizações gráficas (4).
A janela de dados gráficos de cargas de dados de treinamento de gráficos, modelos de trens incrementais e atualizações no serviço de modelo tensorflow.

Citação

Cite o artigo a seguir em suas publicações, se o gráfico ajudar sua pesquisa.

 @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}
}