Начало работы с библиотекой Deep Graph (DGL)
Напоминание о том, что я узнал о Deep Graph Library (DGL) на pytorch.В основном следующая документация будет переведена, обобщена и упорядочена.Мы можем оглядываться назад и вносить поправки, когда узнаем что-то новое.
Обзор DGL
Что такое библиотека Deep Graph?
Deep Graph Library - это библиотека Python для простой реализации моделей нейронных сетей графов в существующих средах глубокого обучения, таких как PyTorch и MXNet.
Функции DGL
DGL выполняет следующие функции.
- Универсальный контроль от низкоуровневых операций, таких как настройки ребер и узлов, до высокоуровневых операций, таких как обновление функциональности всего графа.
- Оптимизация скорости вычислений за счет автоматической пакетной обработки и умножения разреженных матриц.
- Полная интеграция с существующими платформами глубокого обучения.
- Простой и удобный интерфейс для управления структурами узлов / ребер / графов.
- Отличная масштабируемость для гигантских графов (графов с десятками миллионов вершин).
Поддерживаемые модели
TBA
Как установить DGL
Поддерживаемая ОС следующая.
・ Ubuntu 16.04
· Mac OS X
・ Windows 10
Он поддерживается в качестве серверной части для следующих библиотек.
・ Tensorflow
・ PyTorch
・ MXNet
・ Глюон
DGL требует Python версии 3.5 или новее. Не тестировалось до 3.4.Кроме того, поскольку DGL разделен на сборку ЦП и сборку CUDA, при использовании графического процессора измените команду установки в соответствии с версией CUDA.
Нажмите здесь, чтобы узнать, как установить с помощью conda
Нажмите здесь, чтобы узнать, как установить с помощью pip
Опубликованное руководство
Были созданы прототипы десяти моделей в различных областях.
- Полу-контролируемое обучение графов (потенциально миллиарды узлов / ребер)
- Модель генерации графа
- Модели на основе деревьев, которые трудно распараллелить, например TreeLSTM
・ Учебник по DGL для GTC 2019
Конференция по технологиям NVIDIA GPU в Вашингтоне, США (("ОПУ") Учебное пособие, используемое в лекции в Вашингтоне).