graph learn

Новости

Наша библиотека ускорения GNN для Pytorch теперь доступна. https://github.com/alibaba/graphlearn-for-pytorch

Документация

简体中文 | Английский

Graph-learn (ранее Aligraph)-это распределенная структура, разработанная для разработки и применения крупномасштабных нейронных сетей. Он был успешно применен ко многим сценариям в Alibaba, таких как рекомендация поиска, безопасность сети и график знаний. После Graph-learn 1.0 мы добавили онлайн-услуги по выводу в структуру Graph-Learn, предоставляя полное решение, включая обучение и вывод для GNN, которые будут использоваться в реальном бизнесе.

• Graphlearn-training

  Обучающая структура поддерживает выборку на партийных графах, обучение автономной или инкрементной модели GNN.

  Он обеспечивает интерфейсы как Python, так и C ++ для операций выборки графика и предоставляет граф-подобный интерфейс GSL (язык выборки графика). Для моделей GNN Graph-learn предоставляет набор парадигм и процессов для разработки модели. Он совместим как с Tensorflow, так и с Pytorch и обеспечивает уровень данных, интерфейсы модели слоя и богатые примеры модели.

  Деталь

• Динамический граф-сервис

  Онлайн-сервис вывода поддерживает выборку в реальном времени на динамических графиках с обновлениями потокового графа.

  Он обеспечивает гарантию производительности отбора задержки P99 за 20 мс на крупномасштабных динамических графиках. Клиентская сторона онлайн -сервиса вывода предоставляет Java GSL интерфейсы и прогнозирование Tensorflow Model.

  Деталь

Используйте тренировку Graphlearn и динамический граф-сервис для обучения и вывода.

1. Пользователь инициирует запрос в Интернете (0), образцы в режиме реального времени на динамическом графике через сторону клиента (1), использует образцы в качестве ввода модели и запрашивает результаты прогнозирования от службы модели (3).
2. Результаты прогнозирования, обратная связь и некоторые контекста в Интернете отправляются в центр данных (0, 3), например, служба журнала.
3. Обновления данных потоковые поток в службу динамического графика в виде обновлений графиков (4).
4. Почасовая нагрузка на графическую нагрузку с графическими данными, модели инкрементных поездов и модели обновлений на службе модели Tensorflow.

Цитирование

Пожалуйста, цитируйте следующую статью в ваших публикациях, если Graph-Learn помогает вашему исследованию.

 @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}
}

Лицензия

Apache License 2.0.