មាតិកា[លាក់][បង្ហាញ]
បច្ចេកទេសសិក្សាស៊ីជម្រៅដែលគេស្គាល់ថាជា "បណ្តាញសរសៃប្រសាទក្រាហ្វ" (GNNs) ដំណើរការនៅក្នុងដែនក្រាហ្វ។ បណ្តាញទាំងនេះថ្មីៗនេះបានរកឃើញការប្រើប្រាស់ក្នុងវិស័យជាច្រើន រួមទាំងចក្ខុវិស័យកុំព្យូទ័រ ប្រព័ន្ធណែនាំ និងការបង្កើនប្រសិទ្ធភាពរួមបញ្ចូលគ្នា ដើម្បីដាក់ឈ្មោះមួយចំនួន។
លើសពីនេះ បណ្តាញទាំងនេះអាចត្រូវបានប្រើដើម្បីតំណាងឱ្យប្រព័ន្ធស្មុគ្រស្មាញ រួមទាំងបណ្តាញសង្គម បណ្តាញអន្តរកម្មប្រូតេអ៊ីន-ប្រូតេអ៊ីន ក្រាហ្វចំណេះដឹង និងផ្សេងៗទៀតនៅក្នុងវិស័យសិក្សាជាច្រើន។
ចន្លោះមិនមែន euclidean គឺជាកន្លែងដែលទិន្នន័យក្រាហ្វដំណើរការ ផ្ទុយពីប្រភេទទិន្នន័យផ្សេងទៀតដូចជារូបភាព។ ដើម្បីចាត់ថ្នាក់ថ្នាំង ព្យាករណ៍តំណ និងទិន្នន័យចង្កោម ការវិភាគក្រាហ្វត្រូវបានប្រើ។
នៅក្នុងអត្ថបទនេះ យើងនឹងពិនិត្យមើលក្រាហ្វ បណ្តាញសរសៃប្រសាទ នៅក្នុងលម្អិត ប្រភេទរបស់វា ក៏ដូចជាផ្តល់នូវឧទាហរណ៍ជាក់ស្តែងដោយប្រើ PyTorch ។
ដូច្នេះតើក្រាហ្វគឺជាអ្វី?
ក្រាហ្វគឺជាប្រភេទនៃរចនាសម្ព័ន្ធទិន្នន័យដែលបង្កើតឡើងដោយថ្នាំង និងចំនុចកំពូល។ ការតភ្ជាប់រវាងថ្នាំងផ្សេងៗត្រូវបានកំណត់ដោយបន្ទាត់បញ្ឈរ។ ប្រសិនបើទិសដៅត្រូវបានចង្អុលបង្ហាញនៅក្នុងថ្នាំង ក្រាហ្វត្រូវបានគេនិយាយថាត្រូវបានដឹកនាំ។ បើមិនដូច្នេះទេ វាមិនត្រូវបានដឹកនាំទេ។
កម្មវិធីល្អនៃក្រាហ្វគឺធ្វើគំរូទំនាក់ទំនងរវាងបុគ្គលផ្សេងៗនៅក្នុង ក បណ្តាញសង្គម. នៅពេលដោះស្រាយស្ថានការណ៍ស្មុគស្មាញ ដូចជាតំណភ្ជាប់ និងការផ្លាស់ប្តូរ ក្រាហ្វមានប្រយោជន៍ណាស់។
ពួកគេត្រូវបានជួលដោយប្រព័ន្ធណែនាំ ការវិភាគតាមន័យ ការវិភាគបណ្តាញសង្គម និងការទទួលស្គាល់គំរូ
. ការបង្កើតដំណោះស្រាយដែលមានមូលដ្ឋានលើក្រាហ្វគឺជាវិស័យថ្មីមួយដែលផ្តល់នូវការយល់ដឹងយ៉ាងទូលំទូលាយអំពីទិន្នន័យដែលស្មុគស្មាញ និងទាក់ទងគ្នាទៅវិញទៅមក។
បណ្តាញសរសៃប្រសាទក្រាហ្វ
បណ្តាញសរសៃប្រសាទក្រាហ្វ គឺជាបណ្តាញសរសៃប្រសាទឯកទេសដែលអាចដំណើរការលើទម្រង់ទិន្នន័យក្រាហ្វ។ ការបង្កប់ក្រាហ្វ និងបណ្តាញប្រសាទ convolutional (CNNs) មានផលប៉ះពាល់យ៉ាងសំខាន់លើពួកវា។
Graph Neural Networks ត្រូវបានប្រើក្នុងកិច្ចការដែលរួមបញ្ចូលទាំងការព្យាករថ្នាំង គែម និងក្រាហ្វ។
- CNN ត្រូវបានប្រើដើម្បីចាត់ថ្នាក់រូបភាព។ ស្រដៀងគ្នានេះដែរ ដើម្បីទស្សន៍ទាយថ្នាក់មួយ GNNs ត្រូវបានអនុវត្តទៅក្រឡាចត្រង្គភីកសែលដែលតំណាងឱ្យរចនាសម្ព័ន្ធក្រាហ្វ។
- ការចាត់ថ្នាក់អត្ថបទដោយប្រើបណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ។ GNNs ក៏ត្រូវបានប្រើជាមួយស្ថាបត្យកម្មក្រាហ្វ ដែលពាក្យនីមួយៗក្នុងឃ្លាជាថ្នាំង។
ដើម្បីព្យាករណ៍ថ្នាំង គែម ឬក្រាហ្វពេញលេញ បណ្តាញសរសៃប្រសាទត្រូវបានប្រើដើម្បីបង្កើត GNNs ។ ឧទាហរណ៍ ការទស្សន៍ទាយនៅកម្រិតថ្នាំងអាចដោះស្រាយបញ្ហាដូចជាការរកឃើញសារឥតបានការ។
ការទស្សន៍ទាយតំណគឺជាករណីធម្មតានៅក្នុងប្រព័ន្ធណែនាំ ហើយអាចជាឧទាហរណ៍នៃបញ្ហាការទស្សន៍ទាយតាមគែម។
ប្រភេទបណ្តាញសរសៃប្រសាទក្រាហ្វ
ប្រភេទបណ្តាញសរសៃប្រសាទជាច្រើនមាន ហើយបណ្តាញសរសៃប្រសាទ Convolutional មានវត្តមាននៅក្នុងភាគច្រើននៃពួកគេ។ យើងនឹងសិក្សាអំពី GNN ដែលល្បីបំផុតនៅក្នុងផ្នែកនេះ។
បណ្តាញទំនាក់ទំនងក្រាហ្វ (GCNs)
ពួកវាអាចប្រៀបធៀបទៅនឹង CNNs បុរាណ។ វាទទួលបានលក្ខណៈដោយមើលថ្នាំងដែលនៅជិត។ មុខងារធ្វើឱ្យសកម្មត្រូវបានប្រើប្រាស់ដោយ GNNs ដើម្បីបន្ថែម non-linearity បន្ទាប់ពីការប្រមូលផ្តុំវ៉ិចទ័រថ្នាំង និងបញ្ជូនលទ្ធផលទៅស្រទាប់ក្រាស់។
វាត្រូវបានបង្កើតឡើងដោយ Graph convolution ស្រទាប់លីនេអ៊ែរ និងមុខងារធ្វើសកម្មភាពមិនមែនអ្នកសិក្សា។ GCNs មានពីរប្រភេទសំខាន់ៗ៖ បណ្តាញវិចារណកថា និងបណ្តាញវិចារណញាណ។
បណ្តាញអ៊ិនកូដស្វ័យប្រវត្តិក្រាហ្វ
វាប្រើកម្មវិធីបំប្លែងកូដដើម្បីរៀនពីរបៀបតំណាងឱ្យក្រាហ្វ និងឧបករណ៍ឌិកូដ ដើម្បីព្យាយាមបង្កើតក្រាហ្វបញ្ចូលឡើងវិញ។ មានស្រទាប់បិទជិតដែលភ្ជាប់ឧបករណ៍បំលែងកូដ និងឌិកូដ។
ចាប់តាំងពីអ្នកបំប្លែងកូដដោយស្វ័យប្រវត្តិធ្វើការងារដ៏ល្អក្នុងការដោះស្រាយសមតុល្យថ្នាក់ ពួកគេត្រូវបានប្រើប្រាស់ជាញឹកញាប់ក្នុងការទស្សន៍ទាយតំណ។
បណ្តាញសរសៃប្រសាទក្រាហ្វឡើងវិញ (RGNNs)
នៅក្នុងបណ្តាញពហុទំនាក់ទំនង ដែលថ្នាំងតែមួយមានទំនាក់ទំនងជាច្រើន វារៀនពីគំរូនៃការសាយភាយដ៏ល្អប្រសើរ ហើយអាចគ្រប់គ្រងក្រាហ្វបាន។ ដើម្បីបង្កើនភាពរលោង និងកាត់បន្ថយការកំណត់លើសកម្រិត និយតករត្រូវបានប្រើក្នុងទម្រង់បណ្តាញសរសៃប្រសាទក្រាហ្វនេះ។
ដើម្បីទទួលបានលទ្ធផលល្អប្រសើរ RGNNs ត្រូវការថាមពលដំណើរការតិច។ ពួកវាត្រូវបានប្រើប្រាស់សម្រាប់ការបង្កើតអត្ថបទ ការទទួលស្គាល់ការនិយាយ ការបកប្រែដោយម៉ាស៊ីន ការពិពណ៌នារូបភាព ការដាក់ស្លាកវីដេអូ និងការសង្ខេបអត្ថបទ។
Gated Neural Graph Networks (GGNNs)
នៅពេលនិយាយអំពីកិច្ចការដែលពឹងផ្អែករយៈពេលវែង ពួកវាដំណើរការជាង RGNNs ។ តាមរយៈការរួមបញ្ចូលថ្នាំង គែម និងច្រកបណ្ដោះអាសន្ននៅលើភាពអាស្រ័យរយៈពេលវែង បណ្តាញសរសៃប្រសាទក្រាហ្វដែលបិទទ្វារបង្កើនបណ្តាញសរសៃប្រសាទក្រាហ្វដែលកើតឡើងដដែលៗ។
ច្រកទ្វារមានមុខងារស្រដៀងគ្នាទៅនឹង Gated Recurrent Units (GRUs) ដែលពួកវាត្រូវបានប្រើដើម្បីរំលឹក និងបំភ្លេចទិន្នន័យក្នុងដំណាក់កាលផ្សេងៗ។
ការអនុវត្តបណ្តាញសរសៃប្រសាទក្រាហ្វដោយប្រើ Pytorg
បញ្ហាជាក់លាក់ដែលយើងនឹងផ្តោតទៅលើគឺជាបញ្ហាទូទៅនៃការបែងចែកប្រភេទថ្នាំង។ យើងមានបណ្តាញសង្គមដ៏ធំមួយហៅថា musae-githubដែលត្រូវបានចងក្រងពី API បើកចំហសម្រាប់អ្នកអភិវឌ្ឍន៍ GitHub ។
Edges បង្ហាញពីទំនាក់ទំនងអ្នកដើរតាមគ្នាទៅវិញទៅមករវាងថ្នាំង ដែលតំណាងឱ្យអ្នកអភិវឌ្ឍន៍ (អ្នកប្រើប្រាស់វេទិកា) ដែលបានដាក់ផ្កាយនៅក្នុងឃ្លាំងយ៉ាងហោចណាស់ 10 (ចំណាំថាពាក្យទៅវិញទៅមកបង្ហាញពីទំនាក់ទំនងដែលមិនមានទិសដៅ)។
ដោយផ្អែកលើទីតាំងរបស់ថ្នាំង ឃ្លាំងដាក់ផ្កាយ និយោជក និងអាសយដ្ឋានអ៊ីមែល លក្ខណៈថ្នាំងត្រូវបានទាញយកមកវិញ។ ការទស្សន៍ទាយថាតើអ្នកប្រើប្រាស់ GitHub គឺជាអ្នកបង្កើតគេហទំព័រ ឬ a អ្នកអភិវឌ្ឍន៍ការរៀនម៉ាស៊ីន គឺជាភារកិច្ចរបស់យើង។
ចំណងជើងការងាររបស់អ្នកប្រើនីមួយៗបានបម្រើជាមូលដ្ឋានសម្រាប់មុខងារកំណត់គោលដៅនេះ។
ការដំឡើង PyTorch
ដើម្បីចាប់ផ្តើមដំបូងយើងត្រូវដំឡើង ភីធ័រ. អ្នកអាចកំណត់រចនាសម្ព័ន្ធវាតាមម៉ាស៊ីនរបស់អ្នកពី នៅទីនេះ. នេះជារបស់ខ្ញុំ៖
ការនាំចូលម៉ូឌុល
ឥឡូវនេះយើងនាំចូលម៉ូឌុលចាំបាច់
ការនាំចូល និងរុករកទិន្នន័យ
ជំហានខាងក្រោមគឺត្រូវអានទិន្នន័យ និងគូសបន្ទាត់ប្រាំជួរដំបូង និងប្រាំជួរចុងក្រោយពីឯកសារស្លាក។
មានតែពីរជួរប៉ុណ្ណោះក្នុងចំណោមបួនជួរ - លេខសម្គាល់ថ្នាំង (ឧ. អ្នកប្រើប្រាស់) និង ml_target ដែលជា 1 ប្រសិនបើអ្នកប្រើជាសមាជិកនៃសហគមន៍រៀនម៉ាស៊ីន ហើយ 0 បើមិនដូច្នេះទេ - គឺពាក់ព័ន្ធជាមួយយើងក្នុងស្ថានភាពនេះ។
ដោយមើលឃើញថាមានតែថ្នាក់ពីរប៉ុណ្ណោះ ឥឡូវនេះយើងអាចប្រាកដថាភារកិច្ចរបស់យើងគឺជាបញ្ហាចំណាត់ថ្នាក់គោលពីរ។
ជាលទ្ធផលនៃភាពមិនស្មើគ្នានៃថ្នាក់សំខាន់ៗ អ្នកចាត់ថ្នាក់អាចសន្មត់ថាថ្នាក់ណាជាភាគច្រើនជាជាងការវាយតម្លៃថ្នាក់ក្រោមតំណាង ដោយធ្វើឱ្យមានតុល្យភាពថ្នាក់ជាកត្តាសំខាន់មួយទៀតដែលត្រូវពិចារណា។
ការធ្វើផែនការអ៊ីស្តូក្រាម (ការចែកចាយប្រេកង់) បង្ហាញពីអតុល្យភាពមួយចំនួន ដោយសារមានថ្នាក់តិចជាងការរៀនពីម៉ាស៊ីន (ស្លាក=1) ជាងថ្នាក់ផ្សេងទៀត។
ការអ៊ិនកូដលក្ខណៈពិសេស
លក្ខណៈរបស់ថ្នាំងប្រាប់យើងអំពីលក្ខណៈពិសេសដែលត្រូវបានភ្ជាប់ជាមួយថ្នាំងនីមួយៗ។ តាមរយៈការអនុវត្តវិធីសាស្រ្តរបស់យើងក្នុងការអ៊ិនកូដទិន្នន័យ យើងអាចអ៊ិនកូដលក្ខណៈទាំងនោះភ្លាមៗ។
យើងចង់ប្រើវិធីនេះដើម្បីបំប្លែងផ្នែកតូចមួយនៃបណ្តាញ (និយាយថា 60 nodes) សម្រាប់បង្ហាញ។ លេខកូដត្រូវបានរាយនៅទីនេះ។
ការរចនានិងបង្ហាញក្រាហ្វ
យើងនឹងប្រើភ្លើងធរណីមាត្រ។ ទិន្នន័យដើម្បីបង្កើតក្រាហ្វរបស់យើង។
ដើម្បីយកគំរូតាមក្រាហ្វតែមួយដែលមានលក្ខណៈសម្បត្តិ (ជាជម្រើស) ផ្សេងគ្នា ទិន្នន័យដែលជាវត្ថុ Python សាមញ្ញត្រូវបានប្រើ។ ដោយប្រើថ្នាក់នេះ និងគុណលក្ខណៈខាងក្រោម - ទាំងអស់នេះគឺជាឧបករណ៍ផ្ទុកភ្លើង - យើងនឹងបង្កើតវត្ថុក្រាហ្វរបស់យើង។
ទម្រង់នៃតម្លៃ x ដែលនឹងត្រូវបានបម្រុងទុកសម្រាប់លក្ខណៈពិសេសថ្នាំងដែលបានអ៊ិនកូដគឺ [ចំនួនថ្នាំង ចំនួននៃលក្ខណៈពិសេស] ។
រូបរាង y គឺ [ចំនួនថ្នាំង] ហើយវានឹងត្រូវបានអនុវត្តចំពោះស្លាកថ្នាំង។
សន្ទស្សន៍គែម៖ ដើម្បីពិពណ៌នាអំពីក្រាហ្វដែលមិនមានការដឹកនាំ យើងត្រូវពង្រីកសន្ទស្សន៍គែមដើម ដើម្បីអនុញ្ញាតឲ្យមានអត្ថិភាពនៃគែមតម្រង់ពីរផ្សេងគ្នា ដែលភ្ជាប់ថ្នាំងទាំងពីរដូចគ្នា ប៉ុន្តែចង្អុលទៅទិសផ្ទុយគ្នា។
គែមមួយគូដែលចង្អុលពីថ្នាំង 100 ដល់ 200 និងមួយទៀតពី 200 ដល់ 100 ត្រូវបានទាមទារ ឧទាហរណ៍ ចន្លោះថ្នាំង 100 និង 200។ ប្រសិនបើសន្ទស្សន៍គែមត្រូវបានផ្តល់ នោះនេះគឺជារបៀបដែលក្រាហ្វដែលមិនដឹកនាំអាចត្រូវបានតំណាង។ [2,2*ចំនួនគែមដើម] នឹងជាទម្រង់ tensor ។
យើងបង្កើតវិធីគូរក្រាហ្វិករបស់យើង ដើម្បីបង្ហាញក្រាហ្វ។ ជំហានដំបូងគឺដើម្បីបំប្លែងបណ្តាញដូចគ្នារបស់យើងទៅជាក្រាហ្វ NetworkX ដែលបន្ទាប់មកអាចត្រូវបានគូរដោយប្រើ NetworkX.draw ។
បង្កើតគំរូ GNN របស់យើង ហើយបណ្តុះបណ្តាលវា។
យើងចាប់ផ្តើមដោយការអ៊ិនកូដសំណុំទិន្នន័យទាំងមូលដោយប្រតិបត្តិទិន្នន័យអ៊ិនកូដដោយប្រើពន្លឺ = មិនពិត ហើយបន្ទាប់មកហៅក្រាហ្វិកសាងសង់ជាមួយពន្លឺ = មិនពិតដើម្បីបង្កើតក្រាហ្វទាំងមូល។ យើងនឹងមិនព្យាយាមគូរក្រាហ្វដ៏ធំនេះទេ ព្រោះខ្ញុំសន្មត់ថាអ្នកកំពុងប្រើម៉ាស៊ីនក្នុងស្រុកដែលមានធនធានមានកំណត់។
Masks ដែលជាវ៉ិចទ័រគោលពីរដែលកំណត់ថាថ្នាំងណាជាកម្មសិទ្ធិរបស់របាំងជាក់លាក់នីមួយៗដោយប្រើលេខ 0 និង 1 អាចត្រូវបានប្រើដើម្បីជូនដំណឹងដល់ដំណាក់កាលបណ្តុះបណ្តាលដែលថ្នាំងគួរតែត្រូវបានរួមបញ្ចូលក្នុងអំឡុងពេលបណ្តុះបណ្តាល និងប្រាប់ពីដំណាក់កាលសន្និដ្ឋានថាតើថ្នាំងណាជាទិន្នន័យសាកល្បង។ Torch geometric.transforms.
ការបំបែកកម្រិតថ្នាំងអាចត្រូវបានបន្ថែមដោយប្រើរបាំងបណ្តុះបណ្តាល របាំងវ៉ាល់ និងលក្ខណៈសម្បត្តិរបាំងសាកល្បងនៃថ្នាក់ AddTrainValTestMask ដែលអាចត្រូវបានប្រើដើម្បីយកក្រាហ្វ និងអនុញ្ញាតឱ្យយើងបញ្ជាក់ពីរបៀបដែលយើងចង់ឱ្យរបាំងរបស់យើងត្រូវបានសាងសង់។
យើងគ្រាន់តែប្រើប្រាស់ 10% សម្រាប់ការបណ្តុះបណ្តាល និងប្រើប្រាស់ 60% នៃទិន្នន័យជាការសាកល្បង ខណៈពេលដែលប្រើប្រាស់ 30% ជាសំណុំសុពលភាព។
ឥឡូវនេះ យើងនឹងជង់ស្រទាប់ GCNConv ពីរ ដែលទីមួយមានលក្ខណៈពិសេសលទ្ធផលចំនួនដែលស្មើនឹងចំនួននៃលក្ខណៈពិសេសនៅក្នុងក្រាហ្វរបស់យើងជាលក្ខណៈពិសេសបញ្ចូល។
នៅក្នុងស្រទាប់ទីពីរដែលមានថ្នាំងលទ្ធផលស្មើនឹងចំនួនថ្នាក់របស់យើង យើងអនុវត្តមុខងារធ្វើឱ្យសកម្ម relu និងផ្គត់ផ្គង់មុខងារមិនទាន់ឃើញច្បាស់។
សន្ទស្សន៍គែម និងទម្ងន់គែមគឺជាជម្រើសពីរក្នុងចំណោមជម្រើសជាច្រើន x ដែល GCNConv អាចទទួលយកបានក្នុងមុខងារទៅមុខ ប៉ុន្តែក្នុងស្ថានភាពរបស់យើង យើងត្រូវការតែអថេរពីរដំបូងប៉ុណ្ណោះ។
ទោះបីជាការពិតដែលថាគំរូរបស់យើងនឹងអាចទស្សន៍ទាយថ្នាក់នៃគ្រប់ថ្នាំងនៅក្នុងក្រាហ្វក៏ដោយយើងនៅតែត្រូវកំណត់ភាពត្រឹមត្រូវនិងការបាត់បង់សម្រាប់សំណុំនីមួយៗដោយឡែកពីគ្នាអាស្រ័យលើដំណាក់កាល។
ជាឧទាហរណ៍ ក្នុងអំឡុងពេលហ្វឹកហាត់ យើងគ្រាន់តែចង់ប្រើប្រាស់សំណុំហ្វឹកហ្វឺនដើម្បីកំណត់ភាពត្រឹមត្រូវ និងការបាត់បង់ការហ្វឹកហាត់ប៉ុណ្ណោះ ដូច្នេះហើយនេះគឺជាកន្លែងដែលរបាំងរបស់យើងមានប្រយោជន៍។
ដើម្បីគណនាការបាត់បង់ និងភាពត្រឹមត្រូវសមស្រប យើងនឹងកំណត់មុខងារនៃការបាត់បង់របាំងមុខ និងភាពត្រឹមត្រូវដែលបានបិទបាំង។
បណ្តុះបណ្តាលគំរូ
ឥឡូវនេះ យើងបានកំណត់គោលបំណងហ្វឹកហ្វឺនដែលពិលនឹងត្រូវប្រើ។ អ័ដាមគឺជាអ្នកបង្កើនប្រសិទ្ធភាព។
យើងនឹងធ្វើការបណ្តុះបណ្តាលសម្រាប់ចំនួនជាក់លាក់នៃសម័យកាលខណៈពេលដែលកំពុងតាមដានលើភាពត្រឹមត្រូវនៃការបញ្ជាក់។
យើងក៏កំណត់ការខាតបង់ និងភាពត្រឹមត្រូវនៃការបណ្តុះបណ្តាលនៅទូទាំងសម័យកាលផ្សេងៗគ្នាផងដែរ។
គុណវិបត្តិនៃបណ្តាញសរសៃប្រសាទក្រាហ្វ
ការប្រើប្រាស់ GNNs មានគុណវិបត្តិមួយចំនួន។ ពេលណាត្រូវជួល GNNa និងរបៀបបង្កើនប្រសិទ្ធភាពនៃម៉ូដែលរៀនម៉ាស៊ីនរបស់យើងទាំងពីរនឹងត្រូវបានបង្ហាញឱ្យយើងច្បាស់បន្ទាប់ពីយើងយល់កាន់តែច្បាស់អំពីពួកវា។
- ខណៈពេលដែល GNNs គឺជាបណ្តាញរាក់ ជាធម្មតាមានបីស្រទាប់ បណ្តាញសរសៃប្រសាទភាគច្រើនអាចចូលជ្រៅដើម្បីកែលម្អដំណើរការ។ យើងមិនអាចអនុវត្តនៅគែមកាត់លើសំណុំទិន្នន័យធំៗបានទេ ដោយសារការកំណត់នេះ។
- វាពិបាកជាងក្នុងការបណ្តុះបណ្តាលគំរូនៅលើក្រាហ្វ ដោយសារថាមវន្តរចនាសម្ព័ន្ធរបស់ពួកគេមានលក្ខណៈថាមវន្ត។
- ដោយសារការចំណាយលើការគណនាខ្ពស់នៃបណ្តាញទាំងនេះ ការធ្វើមាត្រដ្ឋានគំរូសម្រាប់ការផលិតបង្ហាញពីបញ្ហាប្រឈម។ ការធ្វើមាត្រដ្ឋាន GNN សម្រាប់ការផលិតនឹងមានការពិបាក ប្រសិនបើរចនាសម្ព័ន្ធក្រាហ្វរបស់អ្នកមានទំហំធំ និងស្មុគស្មាញ។
សន្និដ្ឋាន
ក្នុងរយៈពេលប៉ុន្មានឆ្នាំកន្លងមកនេះ GNNs បានបង្កើតជាឧបករណ៍ដ៏មានអានុភាព និងមានប្រសិទ្ធភាពសម្រាប់បញ្ហាការរៀនម៉ាស៊ីននៅក្នុងដែនក្រាហ្វ។ ទិដ្ឋភាពទូទៅជាមូលដ្ឋាននៃបណ្តាញសរសៃប្រសាទក្រាហ្វត្រូវបានផ្តល់ឱ្យនៅក្នុងអត្ថបទនេះ។
បន្ទាប់ពីនោះ អ្នកអាចចាប់ផ្តើមបង្កើតសំណុំទិន្នន័យដែលនឹងត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាល និងសាកល្បងគំរូ។ ដើម្បីយល់ពីរបៀបដែលវាដំណើរការ និងអ្វីដែលវាមានសមត្ថភាព អ្នកក៏អាចទៅកាន់តែឆ្ងាយ ហើយហ្វឹកហាត់វាដោយប្រើប្រភេទផ្សេងគ្នានៃសំណុំទិន្នន័យ។
រីករាយកូដ
សូមផ្ដល់យោបល់