Tebulu ọdịnaya[Zoo][Gosi]
Usoro mmụta miri emi nke a maara dị ka "netwọk neural graph" (GNNs) na-arụ ọrụ na ngalaba eserese. Netwọk ndị a achọpụtala n'oge na-adịbeghị anya n'ụdị dị iche iche, gụnyere ọhụhụ kọmputa, sistemu ndị na-enye ndụmọdụ, na njikarịcha nchacha, ịkpọ aha ole na ole.
Na mgbakwunye, enwere ike iji netwọkụ ndị a na-anọchite anya sistemụ dị mgbagwoju anya, gụnyere netwọk mmekọrịta, netwọk mmekọrịta protein-protein, eserese ihe ọmụma, na ndị ọzọ n'ọtụtụ ebe ọmụmụ.
Oghere na-abụghị euclidean bụ ebe data eserese na-arụ ọrụ, n'adịghị ka ụdị data ndị ọzọ dị ka foto. Iji wepụta ọnụ ọnụ, ịkọ njikọ, na data ụyọkọ, a na-eji nyocha eserese.
N'isiokwu a, anyị ga-enyocha eserese ahụ Neural Network n'ụzọ zuru ezu, ụdị ya, yana inye ihe atụ bara uru site na iji PyTorch.
Yabụ, gịnị bụ Graph?
Eserese bụ ụdị nhazi data mejupụtara ọnụ na vertices. A na-ekpebi njikọ dị n'etiti ọnụ ọnụ dị iche iche site na vertices. Ọ bụrụ na egosipụtara ntụziaka na ọnụ ọnụ, a na-ekwu na eserese ahụ ga-eduzi; ma ọ bụghị ya, ọ bụ enweghị ntụzịaka.
Ngwa dị mma nke eserese bụ ịmegharị mmekọrịta dị n'etiti ndị dị iche iche na a elekọta mmadụ na netwọk. Mgbe ị na-emeso ọnọdụ mgbagwoju anya, dị ka njikọ na mgbanwe, eserese na-enye aka nke ukwuu.
A na-eji ha n'ọrụ site na usoro nkwanye, nyocha semantic, nyocha netwọkụ mmekọrịta, na njirimara ụkpụrụ
. Ịmepụta ngwọta dabere na eserese bụ ubi-ọhụrụ nke na-enye nghọta nghọta nke mgbagwoju anya yana data jikọtara ya.
Ihe eserese Neural Network
Netwọk akwara eserese bụ ụdị netwọkụ akwara pụrụ iche nke nwere ike ịrụ ọrụ na usoro data eserese. Ntinye eserese na netwọkụ akwara ozi (CNNs) nwere mmetụta dị ukwuu na ha.
Netwọk Neural eserese na-arụ ọrụ na-agụnye ịkọ ọnụ ọnụ, ọnụ, na eserese.
- A na-eji CNN ewepụta onyonyo. N'otu aka ahụ, ịkọ klaasị, a na-etinye GNN na grid pixel nke na-anọchi anya nhazi eserese.
- Nhazi ederede site na iji netwọk akwara na-emegharịghachi. A na-ejikwa GNN jiri eserese eserese ebe okwu ọ bụla dị na nkebiokwu bụ ọnụ.
Iji tụọ ọnụ ọnụ, ọnụ, ma ọ bụ eserese zuru oke, a na-eji netwọk akwara mepụta GNN. Amụma na ọkwa ọnụ, dịka ọmụmaatụ, nwere ike dozie nsogbu dị ka nchọpụta spam.
Amụma njikọ bụ ihe a na-ahụkarị na sistemụ ndị na-akwado ya ma nwee ike bụrụ ihe atụ nke nsogbu amụma nwere amamihe.
Ụdị netwọk Neural eserese
Ọtụtụ ụdị netwọkụ akwara dị, yana Convolutional Neural Networks dị n'ọtụtụ n'ime ha. Anyị ga-amụta maka GNN ndị ama ama na akụkụ a.
Netwọk Convolutional Graph (GCNs)
Ha dị ka CNNs kpochapụwo. Ọ na-enweta njirimara site n'ile anya ọnụ dị nso. A na-eji GNN arụ ọrụ arụ ọrụ iji gbakwunye na-abụghị linearity mgbe ejikọta ọnụ vectors na iziga mmepụta na oke oyi akwa.
Emebere ya bụ convolution Graph, oyi akwa ahịrị, yana ọrụ ịgbalite anaghị amụ ihe, n'isi. Ndị GCN na-abịa n'ụdị isi abụọ: Spectral Convolutional Networks na Spatial Convolutional Networks.
Ihe eserese akpaaka-encoder netwọk
Ọ na-eji ihe ngbanwe iji mụta ka e si anọchi anya eserese na ihe ngbanwe iji nwaa ịmegharị eserese ntinye. Enwere oyi akwa ọkpọ ọkpọ na-ejikọ koodu na ngbanwe.
Ebe ọ bụ na ndị koodu akpaaka na-arụ ọrụ magburu onwe ya nke ijikwa nguzozi klaasị, a na-ejikarị ha eme ihe na amụma njikọ.
Netwọk akwara akwara na-emegharị ugboro ugboro (RGNNs)
Na netwọk mmekọrịta ọtụtụ, ebe otu ọnụ nwere ọtụtụ mmekọrịta, ọ na-amụta usoro mgbasa ozi kachasị mma ma nwee ike ijikwa eserese ndị ahụ. Iji mee ka ịdị nro dịkwuo mma ma belata oke-parameterization, a na-eji ndị na-eme ihe na-eme ihe n'usoro n'ụdị netwọk neural nke eserese.
Iji nweta nsonaazụ ka mma, RGNN chọrọ obere ike nhazi. A na-eji ha maka ọgbọ ederede, njirimara okwu, ntụgharị igwe, nkọwa foto, nkpado vidiyo, na nchịkọta ederede.
Netwọk eserese Neural Gated (GGNNs)
Mgbe a bịara n'ọrụ dabere ogologo oge, ha na-aka RGNNs. Site na itinye ọnụ, ọnụ, na ọnụ ụzọ nwa oge na ndabere ogologo oge, netwọkụ akwara eserese gated na-akwalite netwọkụ akwara eserese ugboro ugboro.
Ọnụ ụzọ ámá na-arụ ọrụ yiri nke Gated Recurrent Units (GRUs) n'ihi na a na-eji ha na-echeta ma chefuo data na ọkwa dị iche iche.
Iji Pytorch na-eme ihe eserese Neural Network
Ihe dị mkpa anyị ga-elekwasị anya na ya bụ okwu gbasara nhazi ọnụ ọnụ. Anyị nwere nnukwu netwọkụ mmekọrịta akpọrọ musae-github, nke achịkọtara site na API mepere emepe, maka ndị mmepe GitHub.
N'ọnụ na-egosi mmekọrịta ndị na-eso ụzọ dị n'etiti ọnụ ọnụ, nke na-anọchite anya ndị mmepe (ndị ọrụ ikpo okwu) bụ ndị nwere kpakpando na opekata mpe 10 (rịba ama na okwu ibe na-egosi mmekọrịta na-enweghị isi).
Dabere na ọnọdụ ọnụ, ebe nchekwa kpakpando, onye ọrụ na adreesị ozi-e, a na-eweghachite njirimara ọnụ. Na-ebu amụma ma ọ bụrụ na onye ọrụ GitHub bụ onye nrụpụta webụ ma ọ bụ a onye nrụpụta igwe mmụta bụ ọrụ anyị.
Aha ọrụ nke onye ọrụ ọ bụla jere ozi dị ka ntọala maka ọrụ ezubere iche a.
Ịwụnye PyTorch
Iji malite, anyị kwesịrị ibu ụzọ wụnye PyTorch. Ị nwere ike hazie ya dị ka igwe gị si Ebe a. Nke a bụ nke m:
Modul na-ebubata
Ugbu a, anyị na-ebubata modulu ndị dị mkpa
Na-ebubata na nyochaa data
Nzọụkwụ na-esonụ bụ ịgụ data wee kpaa ahịrị ise mbụ na ahịrị ise ikpeazụ site na faịlụ label.
Naanị abụọ n'ime kọlụm anọ ahụ — id node (ya bụ, onye ọrụ) na ml_target, nke bụ 1 ma ọ bụrụ na onye ọrụ bụ onye otu mpaghara mmụta igwe yana 0 ma ọ bụghị—bara anyị uru n'ọnọdụ a.
Nyere na enwere naanị klaasị abụọ, anyị nwere ike ijide n'aka ugbu a na ọrụ anyị bụ okwu nhazi ọnụọgụ abụọ.
N'ihi enweghị ahaghị nhata klaasị pụtara ìhè, onye nhazi ọkwa nwere ike iche nke klaasị kachasị karịa ịtụle klaasị a na-egosighi ya, na-eme ka klaasị itule ihe ọzọ dị mkpa kwesịrị ịtụle.
Ịme atụmatụ nkesa histogram (nkesa ugboro ugboro) na-ekpughe ụfọdụ ahaghị nhata n'ihi na klaasị dị ole na ole sitere na mmụta igwe (label=1) karịa na klaasị ndị ọzọ.
Ntinye njiri mara
Njiri mara ọnụ na-eme ka anyị mata njirimara ejikọtara na ọnụ nke ọ bụla. Site na itinye usoro anyị iji tinye koodu data, anyị nwere ike itinye koodu ndị ahụ ozugbo.
Anyị chọrọ iji usoro a tinye obere akụkụ nke netwọkụ (sị, ọnụ 60) maka ngosi. Edepụtara koodu a ebe a.
Ịmepụta na igosipụta eserese
Anyị ga-eji geometric torch. data iji wuo eserese anyị.
Iji ṅomie otu eserese nwere ihe dị iche iche (nhọrọ), data nke bụ ihe Python dị mfe na-eji. Site n'iji klaasị a na njiri mara ndị a-ha niile bụ ihe ọkụ ọkụ-anyị ga-emepụta ihe eserese anyị.
Ụdị nke uru x, nke a ga-ekenye ya na njirimara ọnụ ọnụ, bụ [ọnụọgụ ọnụ, ọnụọgụ njirimara].
Ụdị y bụ [ọnụọgụ ọnụ], a ga-etinyekwa ya na akara ọnụ.
n'ọnụ ọnụ: Iji kọwaa eserese na-enweghị ntụzịaka, anyị kwesịrị ịgbasa indices nke mbụ ka anyị nwee ike ịdị adị nke akụkụ abụọ a na-eduzi nke na-ejikọta otu ọnụ abụọ ahụ mana na-atụ aka n'akụkụ ndị ọzọ.
A na-achọ ụzọ ọnụ ụzọ abụọ, otu na-atụ site na ọnụ 100 ruo 200 na nke ọzọ site na 200 ruo 100, dịka ọmụmaatụ, n'etiti ọnụ ọnụ 100 na 200. Ọ bụrụ na e nyere indices ọnụ, mgbe ahụ, nke a bụ otú e nwere ike isi gosipụta eserese na-enweghị isi. [2,2 * ọnụọgụ nke mbụ] ga-abụ ụdị tensor.
Anyị na-emepụta usoro eserese anyị iji gosipụta eserese. Nzọụkwụ mbụ bụ ịgbanwe netwọk anyị yiri ka ọ bụrụ eserese NetworkX, nke enwere ike ịdọrọ ya site na iji NetworkX.draw.
Mee ụdị GNN anyị ma zụọ ya
Anyị na-amalite site na itinye koodu data niile site n'iji ọkụ tinye data = Ụgha wee kpọọ construct graph with light = Ụgha iji wuo eserese ahụ dum. Anyị agaghị anwa ise nnukwu eserese a n'ihi na m na-eche na ị na-eji igwe mpaghara nwere oke ego.
Masks, nke bụ ọnụọgụ ọnụọgụ abụọ nke na-achọpụta ọnụ ọnụ ndị dị na nkpuchi nke ọ bụla na-eji ọnụọgụ 0 na 1, nwere ike iji mee ka ọkwa ọzụzụ nke ọnụ ọnụ kwesịrị ịgụnye n'oge ọzụzụ yana ịgwa usoro ntinye aka nke ọnụ bụ data ule. Ọwa geometric.gbanwee.
Enwere ike ịgbakwunye nkewa ọkwa ọnụ site na iji nkpuchi ọzụzụ, ihe mkpuchi val, na ihe nkpuchi ule nke klas AddTrainValTestMask, nke enwere ike iji were eserese wee mee ka anyị nwee ike ịkọwapụta otu anyị chọrọ ka e wuo ihe mkpuchi anyị.
Anyị na-eji 10% maka ọzụzụ wee jiri 60% nke data dị ka setịpụrụ ule mgbe anyị na-eji 30% dị ka ntọala nkwado.
Ugbu a, anyị ga-akwakọba ọkwa GCNConv abụọ, nke mbụ nwere njirimara njirimara nke ahụ ruru ọnụọgụ njirimara dị na eserese anyị dị ka njirimara ntinye.
N'ime oyi akwa nke abụọ, nke nwere ọnụ ụzọ mmepụta hà nhata na ọnụ ọgụgụ nke klaasị anyị, anyị na-etinye ọrụ ịgbalite relu ma na-enye njirimara latent.
Edge index na onu ịdị arọ bụ abụọ n'ime ọtụtụ nhọrọ x nke GCNConv nwere ike ịnakwere na ọrụ na-aga n'ihu, mana n'ọnọdụ anyị, anyị chọrọ naanị mgbanwe abụọ mbụ.
N'agbanyeghị eziokwu na ihe nlereanya anyị ga-enwe ike ịkọ klaasị ọ bụla ọnụ na eserese, anyị ka kwesịrị ikpebi izi ezi na ọnwụ maka nke ọ bụla set iche dabere na-adọ.
Dịka ọmụmaatụ, n'oge ọzụzụ, naanị anyị chọrọ iji ọzụzụ ahazi iji chọpụta izi ezi na mfu ọzụzụ, yabụ nke a bụ ebe mkpuchi anyị na-abịa aka.
Iji gbakọọ mfu kwesịrị ekwesị na izi ezi, anyị ga-akọwapụta ọrụ nke mfu mkpuchi na nkpuchi nke ọma.
Ịzụ ihe nlereanya
Ugbu a anyị kọwapụtala ebumnuche ọzụzụ nke a ga-eji ọkụ ọkụ. Adam bụ onye na-ebuli elu.
Anyị ga-eduzi ọzụzụ ahụ maka ọnụ ọgụgụ oge ụfọdụ ka anyị na-eleba anya na izi ezi nkwado.
Anyị na-akpakwa atụmatụ mfu na izi ezi nke ọzụzụ ahụ n'oge dị iche iche.
Ọdịmma nke Graph Neural Network
Iji GNN nwere ọghọm ole na ole. Mgbe anyị ga-eji GNna na otu esi eme ka arụmọrụ nke ụdị mmụta igwe anyị ga-abụ nke a ga-eme ka anyị doo anya mgbe anyị nwechara nghọta nke ọma banyere ha.
- Ọ bụ ezie na GNN bụ netwọkụ na-emighị emi, na-enwekarị ọkwa atọ, ọtụtụ netwọkụ akwara nwere ike banye miri emi iji melite arụmọrụ. Anyị enweghị ike ịrụ ọrụ na njedebe na nnukwu datasets n'ihi oke a.
- Ọ na-esiri ike ịzụ ihe nlereanya na eserese, ebe ọ bụ na usoro nhazi ha dị ike.
- N'ihi nnukwu ọnụ ahịa mgbakọ na mwepụ nke netwọkụ ndị a, ịmegharị ihe nlereanya maka mmepụta na-eweta ihe ịma aka. Ịmepụta GNN maka mmepụta ga-abụ ihe ịma aka ma ọ bụrụ na nhazi eserese gị buru ibu ma gbagwojuru anya.
mmechi
N'ime afọ ole na ole gara aga, GNN etolitela ka ọ bụrụ ngwaọrụ dị ike ma dị irè maka okwu mmụta igwe na ngalaba eserese. Enyere ntụle dị mkpa nke netwọkụ akwara eserese n'isiokwu a.
Mgbe nke ahụ gasịrị, ị nwere ike ịmalite ịmepụta dataset nke a ga-eji zụọ ma nwalee ihe nlereanya ahụ. Iji ghọta ka o si arụ ọrụ na ihe ọ nwere ike ime, ị nwekwara ike ịga n'ihu ma zụọ ya site na iji ụdị dataset dị iche.
Obi ụtọ na nzuzo!
Nkume a-aza