Premiers pas avec la bibliothèque Deep Graph (DGL)

2020er mars 2

Un rappel de ce que j'ai appris sur la bibliothèque de graphes profonds (DGL) chez pytorch.Fondamentalement, la documentation suivante sera traduite, résumée et organisée.Nous pouvons regarder en arrière et apporter des corrections à mesure que nous apprenons de nouvelles choses.

https://docs.dgl.ai

Vue d'ensemble de DGL

Qu'est-ce que la bibliothèque Deep Graph?

Deep Graph Library est une bibliothèque python permettant d'implémenter facilement des modèles de réseaux de neurones graphiques sur des frameworks d'apprentissage en profondeur existants tels que PyTorch et MXNet.

Fonctions de DGL

DGL a les fonctions suivantes.

  • Contrôle polyvalent des opérations de bas niveau telles que les paramètres de bord et de nœud aux opérations de haut niveau telles que la mise à jour de la fonctionnalité de l'ensemble du graphique.
  • Optimisation de la vitesse de calcul par traitement automatique par lots et multiplication de matrices clairsemées.
  • Intégration transparente avec les frameworks d'apprentissage en profondeur existants.
  • Une interface simple et facile à utiliser pour manipuler les structures de nœuds / arêtes / graphes.
  • Excellente évolutivité pour les graphes géants (graphes avec des dizaines de millions de sommets).

Modèles pris en charge

A confirmer

Comment installer DGL

Le système d'exploitation pris en charge est le suivant.
・ Ubuntu 16.04
· Mac OS X
・ Windows 10

Il est pris en charge en tant que backend pour les bibliothèques suivantes.
・ Tensorflow
・ PyTorch
・ MXNet
・ Gluon

DGL nécessite Python version 3.5 ou ultérieure. Non testé avant 3.4.De plus, comme DGL est séparé en build CPU et build CUDA, lorsque vous utilisez GPU, modifiez la commande d'installation en fonction de la version CUDA.

Cliquez ici pour savoir comment installer avec conda
Cliquez ici pour savoir comment installer avec pip

Tutoriel publié

Dix modèles ont été prototypés dans différents domaines.

  • Apprentissage semi-supervisé de graphes (potentiellement des milliards de nœuds / arêtes)
  • Modèle de génération de graphes
  • Modèles basés sur des arbres difficiles à paralléliser, tels que TreeLSTM

・ Tutoriel DGL pour GTC 2019
Conférence NVIDIA sur la technologie GPU à Washington, États-Unis (GTC Le tutoriel utilisé dans la conférence à DC).