graph learn
v1.1.0
ข่าว
ห้องสมุดเร่งความเร็ว GNN ของเราสำหรับ Pytorch พร้อมให้บริการแล้ว https://github.com/alibaba/graphlearn-for-pytorch
เอกสาร
简体中文 | ภาษาอังกฤษ
กราฟ-เรียนรู้ (เดิมคือ Aligraph) เป็นกรอบการกระจายที่ออกแบบมาสำหรับการพัฒนาและการประยุกต์ใช้เครือข่ายประสาทขนาดใหญ่กราฟ มันถูกนำไปใช้กับสถานการณ์หลายสถานการณ์ที่ประสบความสำเร็จภายในอาลีบาบาเช่นคำแนะนำการค้นหาความปลอดภัยของเครือข่ายและกราฟความรู้ หลังจากกราฟเรียนรู้ 1.0 เราได้เพิ่มบริการการอนุมานออนไลน์ในกรอบการเรียนรู้กราฟซึ่งเป็นโซลูชั่นที่สมบูรณ์รวมถึงการฝึกอบรมและการอนุมานสำหรับ GNNs ที่จะใช้ในธุรกิจจริง
การฝึกกราฟ
กรอบการฝึกอบรมรองรับการสุ่มตัวอย่างบนกราฟแบทช์การฝึกอบรมแบบออฟไลน์หรือรุ่น GNN ที่เพิ่มขึ้น
มันให้ทั้งอินเทอร์เฟซ Python และ C ++ สำหรับการดำเนินการสุ่มตัวอย่างกราฟและให้อินเทอร์เฟซ GSL (ภาษาสุ่มตัวอย่างกราฟ) ที่คล้ายกับ Gremlin สำหรับรุ่น GNN, กราฟ-เรียนรู้มีชุดของกระบวนทัศน์และกระบวนการสำหรับการพัฒนาแบบจำลอง มันเข้ากันได้กับทั้ง tensorflow และ pytorch และให้เลเยอร์ข้อมูล, อินเทอร์เฟซเลเยอร์แบบจำลองและตัวอย่างแบบจำลองที่หลากหลาย
รายละเอียด
การบริการกราฟ
บริการอนุมานออนไลน์รองรับการสุ่มตัวอย่างแบบเรียลไทม์บนกราฟแบบไดนามิกด้วยการอัปเดตกราฟสตรีมมิ่ง
มันให้การรับประกันประสิทธิภาพของการสุ่มตัวอย่าง P99 เวลาแฝงใน 20ms บนกราฟไดนามิกขนาดใหญ่ ด้านลูกค้าของบริการการอนุมานออนไลน์ให้อินเทอร์เฟซ Java GSL และรุ่น TensorFlow ทำนาย
รายละเอียด
ใช้ Graphlearn-Training และ Dynamic-Graph-Service สำหรับการฝึกอบรมและการอนุมาน
โปรดอ้างอิงบทความต่อไปนี้ในสิ่งพิมพ์ของคุณหาก กราฟเรียนรู้ ช่วยวิจัยของคุณ
@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}
}
ใบอนุญาต Apache 2.0
