ਵਿਸ਼ਾ - ਸੂਚੀ[ਛੁਪਾਓ][ਦਿਖਾਓ]
"ਗ੍ਰਾਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ" (GNNs) ਵਜੋਂ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ ਡੂੰਘੀਆਂ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਗ੍ਰਾਫ ਡੋਮੇਨ ਵਿੱਚ ਕੰਮ ਕਰਦੀਆਂ ਹਨ। ਇਹਨਾਂ ਨੈੱਟਵਰਕਾਂ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤੋਂ ਲੱਭੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ, ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀਆਂ, ਅਤੇ ਸੰਯੁਕਤ ਅਨੁਕੂਲਤਾ ਸ਼ਾਮਲ ਹਨ, ਕੁਝ ਨਾਮ ਦੇਣ ਲਈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹਨਾਂ ਨੈਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸੋਸ਼ਲ ਨੈਟਵਰਕ, ਪ੍ਰੋਟੀਨ-ਪ੍ਰੋਟੀਨ ਇੰਟਰੈਕਸ਼ਨ ਨੈਟਵਰਕ, ਗਿਆਨ ਗ੍ਰਾਫ ਅਤੇ ਅਧਿਐਨ ਦੇ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਹੋਰ ਸ਼ਾਮਲ ਹਨ।
ਗੈਰ-ਯੂਕਲੀਡੀਅਨ ਸਪੇਸ ਉਹ ਹੈ ਜਿੱਥੇ ਗ੍ਰਾਫ ਡੇਟਾ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਸਵੀਰਾਂ ਜਿਵੇਂ ਕਿ ਹੋਰ ਕਿਸਮਾਂ ਦੇ ਡੇਟਾ ਦੇ ਉਲਟ। ਨੋਡਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ, ਲਿੰਕਾਂ ਅਤੇ ਕਲੱਸਟਰ ਡੇਟਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ, ਗ੍ਰਾਫ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਗ੍ਰਾਫ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿਸਥਾਰ ਵਿੱਚ, ਇਸ ਦੀਆਂ ਕਿਸਮਾਂ, ਅਤੇ ਨਾਲ ਹੀ PyTorch ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਹਾਰਕ ਉਦਾਹਰਣ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
ਤਾਂ, ਗ੍ਰਾਫ਼ ਕੀ ਹੈ?
ਇੱਕ ਗ੍ਰਾਫ ਇੱਕ ਕਿਸਮ ਦਾ ਡੇਟਾ ਬਣਤਰ ਹੁੰਦਾ ਹੈ ਜੋ ਨੋਡਾਂ ਅਤੇ ਸਿਰਿਆਂ ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਨੋਡਾਂ ਦੇ ਵਿਚਕਾਰ ਕਨੈਕਸ਼ਨ ਸਿਰਲੇਖਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਜੇਕਰ ਦਿਸ਼ਾ ਨੋਡਾਂ ਵਿੱਚ ਦਰਸਾਈ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਗ੍ਰਾਫ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕਿਹਾ ਜਾਂਦਾ ਹੈ; ਨਹੀਂ ਤਾਂ, ਇਹ ਨਿਰਦੇਸਿਤ ਹੈ।
ਗ੍ਰਾਫਾਂ ਦੀ ਇੱਕ ਚੰਗੀ ਵਰਤੋਂ ਏ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਿਅਕਤੀਆਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰ ਰਹੀ ਹੈ ਸੋਸ਼ਲ ਨੇਟਵਰਕ. ਜਦੋਂ ਜਟਿਲ ਹਾਲਾਤਾਂ ਨਾਲ ਨਜਿੱਠਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ ਲਿੰਕ ਅਤੇ ਐਕਸਚੇਂਜ, ਗ੍ਰਾਫ ਬਹੁਤ ਮਦਦਗਾਰ ਹੁੰਦੇ ਹਨ।
ਉਹ ਸਿਫਾਰਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਅਰਥ ਵਿਸ਼ਲੇਸ਼ਣ, ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਪੈਟਰਨ ਮਾਨਤਾ ਦੁਆਰਾ ਨਿਯੁਕਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ
. ਗ੍ਰਾਫ-ਅਧਾਰਿਤ ਹੱਲ ਬਣਾਉਣਾ ਇੱਕ ਬਿਲਕੁਲ ਨਵਾਂ ਖੇਤਰ ਹੈ ਜੋ ਗੁੰਝਲਦਾਰ ਅਤੇ ਅੰਤਰ-ਸੰਬੰਧਿਤ ਡੇਟਾ ਦੀ ਇੱਕ ਸੂਝਵਾਨ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਗ੍ਰਾਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ
ਗ੍ਰਾਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿਸ਼ੇਸ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਸਮਾਂ ਹਨ ਜੋ ਗ੍ਰਾਫ ਡੇਟਾ ਫਾਰਮੈਟ 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਗ੍ਰਾਫ ਏਮਬੈਡਿੰਗ ਅਤੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ (ਸੀਐਨਐਨ) ਦਾ ਉਹਨਾਂ 'ਤੇ ਮਹੱਤਵਪੂਰਣ ਪ੍ਰਭਾਵ ਹੈ।
ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਉਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚ ਲਗਾਏ ਜਾਂਦੇ ਹਨ ਜਿਹਨਾਂ ਵਿੱਚ ਪੂਰਵ-ਅਨੁਮਾਨ ਨੋਡ, ਕਿਨਾਰੇ ਅਤੇ ਗ੍ਰਾਫ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।
- CNN ਦੀ ਵਰਤੋਂ ਚਿੱਤਰਾਂ ਨੂੰ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਇੱਕ ਕਲਾਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ, GNNs ਨੂੰ ਪਿਕਸਲ ਗਰਿੱਡ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਗ੍ਰਾਫ ਬਣਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
- ਆਵਰਤੀ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਟੈਕਸਟ ਵਰਗੀਕਰਨ। GNN ਗ੍ਰਾਫ ਆਰਕੀਟੈਕਚਰ ਦੇ ਨਾਲ ਵੀ ਵਰਤੇ ਜਾਂਦੇ ਹਨ ਜਿੱਥੇ ਇੱਕ ਵਾਕਾਂਸ਼ ਵਿੱਚ ਹਰੇਕ ਸ਼ਬਦ ਇੱਕ ਨੋਡ ਹੁੰਦਾ ਹੈ।
ਨੋਡਸ, ਕਿਨਾਰਿਆਂ, ਜਾਂ ਸੰਪੂਰਨ ਗ੍ਰਾਫਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ, ਨਿਊਰਲ ਨੈਟਵਰਕ GNN ਬਣਾਉਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਨੋਡ ਪੱਧਰ 'ਤੇ ਇੱਕ ਭਵਿੱਖਬਾਣੀ, ਉਦਾਹਰਨ ਲਈ, ਸਪੈਮ ਖੋਜ ਵਰਗੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ।
ਲਿੰਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਇੱਕ ਆਮ ਕੇਸ ਹੈ ਅਤੇ ਇੱਕ ਕਿਨਾਰੇ ਅਨੁਸਾਰ ਭਵਿੱਖਬਾਣੀ ਸਮੱਸਿਆ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਹੋ ਸਕਦਾ ਹੈ।
ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਸਮ
ਕਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਸਮਾਂ ਮੌਜੂਦ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਵਿੱਚ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮੌਜੂਦ ਹਨ। ਅਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ GNN ਬਾਰੇ ਜਾਣਾਂਗੇ।
ਗ੍ਰਾਫ਼ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕ (GCNs)
ਉਹ ਕਲਾਸਿਕ CNNs ਨਾਲ ਤੁਲਨਾਯੋਗ ਹਨ. ਇਹ ਨੇੜਲੇ ਨੋਡਾਂ ਨੂੰ ਦੇਖ ਕੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ GNNs ਦੁਆਰਾ ਨੋਡ ਵੈਕਟਰਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸੰਘਣੀ ਪਰਤ ਵਿੱਚ ਭੇਜਣ ਤੋਂ ਬਾਅਦ ਗੈਰ-ਰੇਖਿਕਤਾ ਜੋੜਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਇਹ ਗ੍ਰਾਫ ਕਨਵੋਲਿਊਸ਼ਨ, ਇੱਕ ਲੀਨੀਅਰ ਲੇਅਰ, ਅਤੇ ਇੱਕ ਗੈਰ-ਸਿੱਖਿਅਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਤੋਂ ਬਣਿਆ ਹੈ, ਸੰਖੇਪ ਵਿੱਚ। GCN ਦੋ ਮੁੱਖ ਕਿਸਮਾਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ: ਸਪੈਕਟ੍ਰਲ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕ ਅਤੇ ਸਪੇਸ਼ੀਅਲ ਕੰਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕ।
ਗ੍ਰਾਫ਼ ਆਟੋ-ਏਨਕੋਡਰ ਨੈੱਟਵਰਕ
ਇਹ ਗ੍ਰਾਫਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਸਤੁਤ ਕਰਨਾ ਹੈ ਇਹ ਸਿੱਖਣ ਲਈ ਇੱਕ ਏਨਕੋਡਰ ਅਤੇ ਇਨਪੁਟ ਗ੍ਰਾਫਾਂ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ ਇੱਕ ਡੀਕੋਡਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਏਨਕੋਡਰ ਅਤੇ ਡੀਕੋਡਰ ਨੂੰ ਜੋੜਨ ਵਾਲੀ ਇੱਕ ਰੁਕਾਵਟ ਪਰਤ ਹੈ।
ਕਿਉਂਕਿ ਆਟੋ-ਏਨਕੋਡਰ ਕਲਾਸ ਬੈਲੇਂਸ ਨੂੰ ਸੰਭਾਲਣ ਦਾ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਲਿੰਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਅਕਸਰ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਆਵਰਤੀ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (RGNNs)
ਮਲਟੀ-ਰਿਲੇਸ਼ਨਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ, ਜਿੱਥੇ ਇੱਕ ਸਿੰਗਲ ਨੋਡ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਸਬੰਧ ਹੁੰਦੇ ਹਨ, ਇਹ ਸਰਵੋਤਮ ਫੈਲਾਅ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਗ੍ਰਾਫਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਸਕਦਾ ਹੈ। ਨਿਰਵਿਘਨਤਾ ਨੂੰ ਵਧਾਉਣ ਅਤੇ ਓਵਰ-ਪੈਰਾਮੀਟਰਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਘਟਾਉਣ ਲਈ, ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਇਸ ਰੂਪ ਵਿੱਚ ਨਿਯਮਤ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, RGNN ਨੂੰ ਘੱਟ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ, ਬੋਲੀ ਪਛਾਣ, ਮਸ਼ੀਨ ਅਨੁਵਾਦ, ਤਸਵੀਰ ਵਰਣਨ, ਵੀਡੀਓ ਟੈਗਿੰਗ, ਅਤੇ ਟੈਕਸਟ ਸੰਖੇਪ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਗੇਟਡ ਨਿਊਰਲ ਗ੍ਰਾਫ ਨੈੱਟਵਰਕ (GGNNs)
ਜਦੋਂ ਲੰਬੇ ਸਮੇਂ ਦੇ ਨਿਰਭਰ ਕੰਮਾਂ ਦੀ ਗੱਲ ਆਉਂਦੀ ਹੈ, ਤਾਂ ਉਹ RGNNs ਨੂੰ ਪਛਾੜ ਦਿੰਦੇ ਹਨ। ਲੰਬੇ ਸਮੇਂ ਦੀ ਨਿਰਭਰਤਾ 'ਤੇ ਨੋਡ, ਕਿਨਾਰੇ ਅਤੇ ਅਸਥਾਈ ਗੇਟਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ, ਗੇਟਡ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈਟਵਰਕ ਆਵਰਤੀ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।
ਗੇਟ ਗੇਟਡ ਰੀਕਰੈਂਟ ਯੂਨਿਟਸ (ਜੀਆਰਯੂ) ਦੇ ਸਮਾਨ ਕੰਮ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਭੁੱਲਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਪਾਈਟੋਰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਲਾਗੂ ਕਰਨਾ
ਅਸੀਂ ਜਿਸ ਖਾਸ ਮੁੱਦੇ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਾਂਗੇ ਉਹ ਇੱਕ ਆਮ ਨੋਡ ਵਰਗੀਕਰਨ ਮੁੱਦਾ ਹੈ। ਸਾਡੇ ਕੋਲ ਇੱਕ ਵੱਡਾ ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਹੈ ਜਿਸਨੂੰ ਕਹਿੰਦੇ ਹਨ musae-github, ਜਿਸ ਨੂੰ GitHub ਡਿਵੈਲਪਰਾਂ ਲਈ ਓਪਨ API ਤੋਂ ਕੰਪਾਇਲ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕਿਨਾਰੇ ਨੋਡਾਂ ਦੇ ਵਿਚਕਾਰ ਆਪਸੀ ਅਨੁਯਾਈ ਸਬੰਧਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਜੋ ਡਿਵੈਲਪਰਾਂ (ਪਲੇਟਫਾਰਮ ਉਪਭੋਗਤਾਵਾਂ) ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੇ ਘੱਟੋ-ਘੱਟ 10 ਰਿਪੋਜ਼ਟਰੀਆਂ ਵਿੱਚ ਸਟਾਰ ਕੀਤਾ ਹੈ (ਨੋਟ ਕਰੋ ਕਿ ਸ਼ਬਦ ਮਿਉਚੁਅਲ ਇੱਕ ਨਿਰਦੇਸਿਤ ਰਿਸ਼ਤੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ)।
ਨੋਡ ਦੇ ਟਿਕਾਣੇ, ਸਟਾਰਡ ਰਿਪੋਜ਼ਟਰੀਆਂ, ਰੁਜ਼ਗਾਰਦਾਤਾ ਅਤੇ ਈਮੇਲ ਪਤੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਨੋਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਕਿ ਕੀ ਇੱਕ GitHub ਉਪਭੋਗਤਾ ਇੱਕ ਵੈਬ ਡਿਵੈਲਪਰ ਹੈ ਜਾਂ ਏ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਡਿਵੈਲਪਰ ਸਾਡਾ ਕੰਮ ਹੈ।
ਹਰੇਕ ਉਪਭੋਗਤਾ ਦਾ ਨੌਕਰੀ ਦਾ ਸਿਰਲੇਖ ਇਸ ਨਿਸ਼ਾਨਾ ਫੰਕਸ਼ਨ ਲਈ ਅਧਾਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
PyTorch ਇੰਸਟਾਲ ਕਰਨਾ
ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਪਹਿਲਾਂ ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਪਾਈਟੋਰਚ. ਤੁਸੀਂ ਇਸ ਨੂੰ ਆਪਣੀ ਮਸ਼ੀਨ ਦੇ ਅਨੁਸਾਰ ਸੰਰਚਿਤ ਕਰ ਸਕਦੇ ਹੋ ਇਥੇ. ਇਹ ਮੇਰਾ ਹੈ:
ਮੋਡੀਊਲ ਆਯਾਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ
ਹੁਣ, ਅਸੀਂ ਲੋੜੀਂਦੇ ਮੋਡੀਊਲ ਆਯਾਤ ਕਰਦੇ ਹਾਂ
ਡਾਟਾ ਆਯਾਤ ਅਤੇ ਪੜਚੋਲ ਕਰਨਾ
ਹੇਠਾਂ ਦਿੱਤਾ ਕਦਮ ਡੇਟਾ ਨੂੰ ਪੜ੍ਹਨਾ ਅਤੇ ਲੇਬਲ ਫਾਈਲ ਤੋਂ ਪਹਿਲੀਆਂ ਪੰਜ ਕਤਾਰਾਂ ਅਤੇ ਆਖਰੀ ਪੰਜ ਕਤਾਰਾਂ ਨੂੰ ਪਲਾਟ ਕਰਨਾ ਹੈ।
ਚਾਰ ਕਾਲਮਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ ਦੋ-ਨੋਡ ਦੀ id (ਭਾਵ, ਉਪਭੋਗਤਾ) ਅਤੇ ml_target, ਜੋ ਕਿ 1 ਹੈ ਜੇਕਰ ਉਪਭੋਗਤਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ ਦਾ ਮੈਂਬਰ ਹੈ ਅਤੇ 0 ਨਹੀਂ ਤਾਂ-ਇਸ ਸਥਿਤੀ ਵਿੱਚ ਸਾਡੇ ਲਈ ਢੁਕਵੇਂ ਹਨ।
ਇਹ ਦੇਖਦੇ ਹੋਏ ਕਿ ਇੱਥੇ ਸਿਰਫ਼ ਦੋ ਕਲਾਸਾਂ ਹਨ, ਅਸੀਂ ਹੁਣ ਨਿਸ਼ਚਿਤ ਹੋ ਸਕਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਕੰਮ ਇੱਕ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਮੁੱਦਾ ਹੈ।
ਮਹੱਤਵਪੂਰਨ ਜਮਾਤੀ ਅਸੰਤੁਲਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਵਰਗੀਕਰਣਕਾਰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਜਮਾਤ ਬਹੁਗਿਣਤੀ ਹੈ ਨਾ ਕਿ ਘੱਟ ਪ੍ਰਤਿਨਿਧ ਜਮਾਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਬਜਾਏ, ਕਲਾਸ ਸੰਤੁਲਨ ਨੂੰ ਵਿਚਾਰਨ ਲਈ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਕਾਰਕ ਬਣਾਉਂਦਾ ਹੈ।
ਹਿਸਟੋਗ੍ਰਾਮ (ਫ੍ਰੀਕੁਐਂਸੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ) ਨੂੰ ਪਲਾਟ ਕਰਨਾ ਕੁਝ ਅਸੰਤੁਲਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ਲੇਬਲ=1) ਦੀਆਂ ਹੋਰ ਕਲਾਸਾਂ ਨਾਲੋਂ ਘੱਟ ਕਲਾਸਾਂ ਹਨ।
ਵਿਸ਼ੇਸ਼ਤਾ ਏਨਕੋਡਿੰਗ
ਨੋਡ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਾਨੂੰ ਉਸ ਵਿਸ਼ੇਸ਼ਤਾ ਬਾਰੇ ਸੂਚਿਤ ਕਰਦੀਆਂ ਹਨ ਜੋ ਹਰੇਕ ਨੋਡ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਡੇਟਾ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਲਈ ਸਾਡੀ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਕੇ, ਅਸੀਂ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਤੁਰੰਤ ਏਨਕੋਡ ਕਰ ਸਕਦੇ ਹਾਂ।
ਅਸੀਂ ਡਿਸਪਲੇ ਲਈ ਨੈਟਵਰਕ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਹਿੱਸੇ (ਜਿਵੇਂ ਕਿ, 60 ਨੋਡਸ) ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਕੋਡ ਇੱਥੇ ਸੂਚੀਬੱਧ ਹੈ।
ਗ੍ਰਾਫਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨਾ
ਅਸੀਂ ਟਾਰਚ ਜਿਓਮੈਟ੍ਰਿਕ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ। ਸਾਡੇ ਗ੍ਰਾਫ ਨੂੰ ਬਣਾਉਣ ਲਈ ਡੇਟਾ।
ਵੱਖ-ਵੱਖ (ਵਿਕਲਪਿਕ) ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਗ੍ਰਾਫ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਲਈ, ਡੇਟਾ ਜੋ ਕਿ ਇੱਕ ਸਧਾਰਨ ਪਾਈਥਨ ਵਸਤੂ ਹੈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਕਲਾਸ ਅਤੇ ਹੇਠ ਲਿਖੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਇਹ ਸਾਰੇ ਟਾਰਚ ਟੈਂਸਰ ਹਨ - ਅਸੀਂ ਆਪਣਾ ਗ੍ਰਾਫ ਆਬਜੈਕਟ ਬਣਾਵਾਂਗੇ।
ਮੁੱਲ x ਦਾ ਰੂਪ, ਜੋ ਏਨਕੋਡ ਕੀਤੇ ਨੋਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਵੇਗਾ, [ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ] ਹੈ।
y ਦਾ ਆਕਾਰ [ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ] ਹੈ, ਅਤੇ ਇਹ ਨੋਡ ਲੇਬਲਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਵੇਗਾ।
ਕਿਨਾਰੇ ਸੂਚਕਾਂਕ: ਇੱਕ ਨਿਰਦੇਸਿਤ ਗ੍ਰਾਫ਼ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਨਿਰਦੇਸ਼ਿਤ ਕਿਨਾਰਿਆਂ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਆਗਿਆ ਦੇਣ ਲਈ ਮੂਲ ਕਿਨਾਰੇ ਸੂਚਕਾਂਕ ਦਾ ਵਿਸਤਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਇੱਕੋ ਦੋ ਨੋਡਾਂ ਨੂੰ ਜੋੜਦੇ ਹਨ ਪਰ ਉਲਟ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਪੁਆਇੰਟ ਕਰਦੇ ਹਨ।
ਕਿਨਾਰਿਆਂ ਦਾ ਇੱਕ ਜੋੜਾ, ਇੱਕ ਨੋਡ 100 ਤੋਂ 200 ਤੱਕ ਅਤੇ ਦੂਜਾ 200 ਤੋਂ 100 ਤੱਕ, ਲੋੜੀਂਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਨੋਡ 100 ਅਤੇ 200 ਦੇ ਵਿਚਕਾਰ। ਜੇਕਰ ਕਿਨਾਰੇ ਸੂਚਕਾਂਕ ਪ੍ਰਦਾਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਇਸ ਤਰ੍ਹਾਂ ਗੈਰ-ਨਿਰਦੇਸ਼ਿਤ ਗ੍ਰਾਫ ਨੂੰ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। [2,2*ਮੂਲ ਕਿਨਾਰਿਆਂ ਦੀ ਸੰਖਿਆ] ਟੈਂਸਰ ਫਾਰਮ ਹੋਵੇਗਾ।
ਅਸੀਂ ਗ੍ਰਾਫ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਆਪਣੀ ਡਰਾਅ ਗ੍ਰਾਫ ਵਿਧੀ ਬਣਾਉਂਦੇ ਹਾਂ। ਪਹਿਲਾ ਕਦਮ ਸਾਡੇ ਸਮਰੂਪ ਨੈੱਟਵਰਕ ਨੂੰ ਇੱਕ NetworkX ਗ੍ਰਾਫ਼ ਵਿੱਚ ਬਦਲਣਾ ਹੈ, ਜੋ ਕਿ ਫਿਰ NetworkX.draw ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖਿੱਚਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਸਾਡਾ GNN ਮਾਡਲ ਬਣਾਓ ਅਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿਓ
ਅਸੀਂ ਪੂਰੇ ਗ੍ਰਾਫ ਨੂੰ ਬਣਾਉਣ ਲਈ light=False ਨਾਲ ਏਨਕੋਡ ਡੇਟਾ ਨੂੰ ਐਕਜ਼ੀਕਿਊਟ ਕਰਕੇ ਅਤੇ ਫਿਰ ਕੰਸਟ੍ਰਕਟ ਗ੍ਰਾਫ ਨੂੰ light=False ਨਾਲ ਕਾਲ ਕਰਕੇ ਡੇਟਾ ਦੇ ਪੂਰੇ ਸੈੱਟ ਨੂੰ ਏਨਕੋਡਿੰਗ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇਸ ਵੱਡੇ ਗ੍ਰਾਫ਼ ਨੂੰ ਖਿੱਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕਰਾਂਗੇ ਕਿਉਂਕਿ ਮੈਂ ਮੰਨ ਰਿਹਾ ਹਾਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਸਥਾਨਕ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਜਿਸ ਕੋਲ ਸੀਮਤ ਸਰੋਤ ਹਨ।
ਮਾਸਕ, ਜੋ ਕਿ ਬਾਈਨਰੀ ਵੈਕਟਰ ਹੁੰਦੇ ਹਨ ਜੋ ਇਹ ਪਛਾਣ ਕਰਦੇ ਹਨ ਕਿ 0 ਅਤੇ 1 ਅੰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਰੇਕ ਖਾਸ ਮਾਸਕ ਨਾਲ ਕਿਹੜੇ ਨੋਡ ਸਬੰਧਤ ਹਨ, ਦੀ ਵਰਤੋਂ ਸਿਖਲਾਈ ਪੜਾਅ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਕਿ ਸਿਖਲਾਈ ਦੌਰਾਨ ਕਿਹੜੇ ਨੋਡ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਇਹ ਦੱਸਣ ਲਈ ਕਿ ਕਿਹੜੇ ਨੋਡ ਟੈਸਟ ਡੇਟਾ ਹਨ। ਟਾਰਚ geometric.transforms.
AddTrainValTestMask ਕਲਾਸ ਦੇ ਟਰੇਨਿੰਗ ਮਾਸਕ, ਵੈੱਲ ਮਾਸਕ, ਅਤੇ ਟੈਸਟ ਮਾਸਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨੋਡ-ਪੱਧਰ ਦਾ ਸਪਲਿਟ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸਦੀ ਵਰਤੋਂ ਇੱਕ ਗ੍ਰਾਫ ਲੈਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਸਾਨੂੰ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਅਸੀਂ ਆਪਣੇ ਮਾਸਕ ਨੂੰ ਕਿਵੇਂ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ।
ਅਸੀਂ ਸਿਖਲਾਈ ਲਈ ਸਿਰਫ਼ 10% ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਟੈਸਟ ਸੈੱਟ ਦੇ ਤੌਰ 'ਤੇ 60% ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜਦਕਿ 30% ਨੂੰ ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ ਵਜੋਂ ਵਰਤਦੇ ਹਾਂ।
ਹੁਣ, ਅਸੀਂ ਦੋ GCNConv ਲੇਅਰਾਂ ਨੂੰ ਸਟੈਕ ਕਰਾਂਗੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਪਹਿਲੀ ਵਿੱਚ ਇੱਕ ਆਉਟਪੁੱਟ ਵਿਸ਼ੇਸ਼ਤਾ ਗਿਣਤੀ ਹੈ ਜੋ ਸਾਡੇ ਗ੍ਰਾਫ ਵਿੱਚ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਬਰਾਬਰ ਹੈ।
ਦੂਜੀ ਲੇਅਰ ਵਿੱਚ, ਜਿਸ ਵਿੱਚ ਸਾਡੀਆਂ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਬਰਾਬਰ ਆਉਟਪੁੱਟ ਨੋਡ ਹੁੰਦੇ ਹਨ, ਅਸੀਂ ਇੱਕ ਰੀਲੂ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਗੁਪਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਪਲਾਈ ਕਰਦੇ ਹਾਂ।
ਕਿਨਾਰਾ ਸੂਚਕਾਂਕ ਅਤੇ ਕਿਨਾਰੇ ਦਾ ਭਾਰ ਬਹੁਤ ਸਾਰੇ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਦੋ ਹਨ x ਜਿਨ੍ਹਾਂ ਨੂੰ GCNConv ਫਾਰਵਰਡ ਫੰਕਸ਼ਨ ਵਿੱਚ ਸਵੀਕਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਸਾਡੀ ਸਥਿਤੀ ਵਿੱਚ, ਸਾਨੂੰ ਸਿਰਫ਼ ਪਹਿਲੇ ਦੋ ਵੇਰੀਏਬਲਾਂ ਦੀ ਲੋੜ ਹੈ।
ਇਸ ਤੱਥ ਦੇ ਬਾਵਜੂਦ ਕਿ ਸਾਡਾ ਮਾਡਲ ਗ੍ਰਾਫ ਵਿੱਚ ਹਰੇਕ ਨੋਡ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ, ਸਾਨੂੰ ਅਜੇ ਵੀ ਪੜਾਅ 'ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ ਹਰੇਕ ਸੈੱਟ ਲਈ ਸ਼ੁੱਧਤਾ ਅਤੇ ਨੁਕਸਾਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
ਉਦਾਹਰਣ ਦੇ ਲਈ, ਸਿਖਲਾਈ ਦੇ ਦੌਰਾਨ, ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸਿਖਲਾਈ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸਿਰਫ ਸਿਖਲਾਈ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਅਤੇ ਇਸਲਈ ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸਾਡੇ ਮਾਸਕ ਕੰਮ ਆਉਂਦੇ ਹਨ।
ਢੁਕਵੇਂ ਨੁਕਸਾਨ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਮਾਸਕ ਕੀਤੇ ਨੁਕਸਾਨ ਅਤੇ ਮਾਸਕਡ ਸ਼ੁੱਧਤਾ ਦੇ ਕਾਰਜਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਾਂਗੇ।
ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ
ਹੁਣ ਜਦੋਂ ਅਸੀਂ ਸਿਖਲਾਈ ਦੇ ਉਦੇਸ਼ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ ਜਿਸ ਲਈ ਟਾਰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇਗੀ। ਐਡਮ ਇੱਕ ਮਾਸਟਰ ਆਪਟੀਮਾਈਜ਼ਰ ਹੈ।
ਅਸੀਂ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਸ਼ੁੱਧਤਾ 'ਤੇ ਨਜ਼ਰ ਰੱਖਦੇ ਹੋਏ ਕੁਝ ਯੁੱਗਾਂ ਲਈ ਸਿਖਲਾਈ ਦਾ ਆਯੋਜਨ ਕਰਾਂਗੇ।
ਅਸੀਂ ਵੱਖ-ਵੱਖ ਯੁੱਗਾਂ ਦੌਰਾਨ ਸਿਖਲਾਈ ਦੇ ਨੁਕਸਾਨਾਂ ਅਤੇ ਸ਼ੁੱਧਤਾਵਾਂ ਦੀ ਵੀ ਸਾਜ਼ਿਸ਼ ਰਚਦੇ ਹਾਂ।
ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਨੁਕਸਾਨ
GNN ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਕੁਝ ਨੁਕਸਾਨ ਹਨ। GNNa ਨੂੰ ਕਦੋਂ ਲਾਗੂ ਕਰਨਾ ਹੈ ਅਤੇ ਸਾਡੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਕਿਵੇਂ ਵਧਾਉਣਾ ਹੈ, ਇਹ ਦੋਵੇਂ ਸਾਨੂੰ ਉਹਨਾਂ ਦੀ ਬਿਹਤਰ ਸਮਝ ਹੋਣ ਤੋਂ ਬਾਅਦ ਸਪੱਸ਼ਟ ਕੀਤੇ ਜਾਣਗੇ।
- ਜਦੋਂ ਕਿ GNN ਖੋਖਲੇ ਨੈੱਟਵਰਕ ਹੁੰਦੇ ਹਨ, ਖਾਸ ਤੌਰ 'ਤੇ ਤਿੰਨ ਲੇਅਰਾਂ ਵਾਲੇ, ਜ਼ਿਆਦਾਤਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਡੂੰਘੇ ਜਾ ਸਕਦੇ ਹਨ। ਅਸੀਂ ਇਸ ਸੀਮਾ ਦੇ ਕਾਰਨ ਵੱਡੇ ਡੇਟਾਸੇਟਾਂ 'ਤੇ ਅਤਿਅੰਤ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਹਾਂ।
- ਗ੍ਰਾਫਾਂ 'ਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੈ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਦੀ ਢਾਂਚਾਗਤ ਗਤੀਸ਼ੀਲਤਾ ਗਤੀਸ਼ੀਲ ਹੈ।
- ਇਹਨਾਂ ਨੈਟਵਰਕਾਂ ਦੇ ਉੱਚ ਗਣਨਾਤਮਕ ਖਰਚਿਆਂ ਦੇ ਕਾਰਨ, ਉਤਪਾਦਨ ਲਈ ਮਾਡਲ ਨੂੰ ਸਕੇਲ ਕਰਨਾ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਜੇ ਤੁਹਾਡਾ ਗ੍ਰਾਫ ਢਾਂਚਾ ਵਿਸ਼ਾਲ ਅਤੇ ਗੁੰਝਲਦਾਰ ਹੈ ਤਾਂ ਉਤਪਾਦਨ ਲਈ GNNs ਨੂੰ ਸਕੇਲ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਹੋਵੇਗਾ।
ਸਿੱਟਾ
ਪਿਛਲੇ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ, GNNs ਨੇ ਗ੍ਰਾਫ ਡੋਮੇਨ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮੁੱਦਿਆਂ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਪ੍ਰਭਾਵੀ ਟੂਲ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ। ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਇੱਕ ਬੁਨਿਆਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਇਸ ਲੇਖ ਵਿੱਚ ਦਿੱਤੀ ਗਈ ਹੈ।
ਉਸ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਡੈਟਾਸੈੱਟ ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਵੇਗਾ। ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਕਿਸ ਤਰ੍ਹਾਂ ਦੇ ਸਮਰੱਥ ਹੈ, ਤੁਸੀਂ ਬਹੁਤ ਦੂਰ ਜਾ ਸਕਦੇ ਹੋ ਅਤੇ ਇੱਕ ਵੱਖਰੀ ਕਿਸਮ ਦੇ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦੇ ਸਕਦੇ ਹੋ।
ਹੈਡਿੰਗ ਕੋਡਿੰਗ!
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ