เริ่มต้นใช้งาน Deep Graph Library (DGL)
การแจ้งเตือนสิ่งที่ฉันได้เรียนรู้เกี่ยวกับ Deep Graph Library (DGL) ใน pytorchโดยทั่วไป เราจะแปล สรุป และจัดระเบียบเอกสารต่อไปนี้ฉันอาจแก้ไขตามที่ฉันมองย้อนกลับไปและเรียนรู้สิ่งใหม่ๆ
ภาพรวมของ DGL
Deep Graph Library คืออะไร
Deep Graph Library เป็นไลบรารี่สำหรับการนำโมเดลเครือข่ายนิวรอลกราฟไปใช้บนเฟรมเวิร์กการเรียนรู้เชิงลึกที่มีอยู่ เช่น PyTorch และ MXNet ได้อย่างง่ายดาย
หน้าที่ของ DGL
DGL มีหน้าที่ดังต่อไปนี้
- การควบคุมที่หลากหลาย ตั้งแต่การดำเนินการระดับต่ำ เช่น การตั้งค่าขอบและโหนด ไปจนถึงการดำเนินการระดับสูง เช่น การอัปเดตคุณลักษณะทั่วทั้งกราฟ
- เพิ่มประสิทธิภาพความเร็วในการคำนวณด้วยการแบทช์อัตโนมัติและการคูณเมทริกซ์แบบกระจาย
- การผสานรวมกับกรอบการเรียนรู้เชิงลึกที่มีอยู่อย่างราบรื่น
- อินเทอร์เฟซที่เรียบง่ายและใช้งานง่ายสำหรับจัดการโหนด/ขอบ/โครงสร้างกราฟ
- ปรับขนาดได้ดีสำหรับกราฟขนาดใหญ่ (กราฟที่มีจุดยอดนับสิบล้าน)
รุ่นที่รองรับ
จะแจ้งภายหลัง
วิธีการติดตั้ง DGL
OS ที่รองรับมีดังนี้
・อูบุนตู 16.04
・แมคโอเอส
・วินโดวส์ 10
ได้รับการสนับสนุนเป็นแบ็กเอนด์สำหรับไลบรารีต่อไปนี้
・เทนเซอร์โฟลว์
・ไพทอร์ช
・MXNet
・กลูออน
DGL ต้องการ Python เวอร์ชัน 3.5 หรือใหม่กว่า 3.4 และก่อนหน้านี้ยังไม่ได้ทดสอบนอกจากนี้ DGL ยังแยกออกเป็น CPU build และ CUDA build ดังนั้นเมื่อใช้ GPU ให้เปลี่ยนคำสั่งการติดตั้งตามเวอร์ชัน CUDA
วิธีติดตั้งกับ conda อยู่ที่นี่
นี่คือวิธีการติดตั้งด้วย pip
โพสต์บทช่วยสอน
สิบโมเดลได้รับการสร้างต้นแบบในโดเมนต่างๆ
- การเรียนรู้แบบกึ่งควบคุมของกราฟ (อาจมีโหนด/ขอบหลายพันล้านโหนด)
- แบบจำลองการสร้างกราฟ
- โมเดลแบบทรีที่ยากต่อการขนาน เช่น TreeLSTM
・การสอน DGL สำหรับ GTC 2019
การประชุมเทคโนโลยี GPU ของ NVIDIA ที่กรุงวอชิงตัน ดี.ซี. (GTC DC) บทช่วยสอนที่ใช้ในการพูดคุย
ดิสโก้
รายการความคิดเห็น
ยังไม่มีความเห็น