![](https://s4.itho.me/sites/default/files/styles/picture_size_large/public/field/image/2228_-_graph_neural_networks_in_tensorflow_-_google_research_blog_-_blog.research.google.jpg?itok=M0NSbbjW)
Google發布TensorFlow GNN 1.0(TF-GNN),這是一個可用於大規模建立圖神經網路(Graph Neural Network,GNN)的函式庫,支援在機器學習框架TensorFlow中建立和訓練模型,並且從龐大的資料儲存中擷取輸入圖(Graph)。
圖神經網路是一個重要且強大的技術,結合圖的連接性,以及節點和邊上的輸入特徵,可對整個圖進行預測,用於解決化學領域,預測分子的反應方式等問題,或是對個別節點進行預測,像是可以根據文件的參照文獻預測文件的主題,也能對潛在的邊進行預測,讓零售業用於預測不同產品一起被購買的機率。
除了用於圖預測之外,GNN還能夠作為連結傳統神經網路應用與圖資料的橋樑,以連續的方式,對圖的離散關係資訊進行編碼,使其自然地融入在另一個深度學習系統中。
而Google現在於TensorFlow中添加TF-GNN這個方便的工具,供開發者可以大規模建立GNN。TF-GNN是專為處理異構圖設計的工具,而所謂的異構圖,是指圖中的節點和邊,可以代表不同類型的物件和關係,以社交網路為例,節點可以代表人或是團體,而邊則代表節點之間的關係,如朋友關係或是追蹤關係。不同類型的節點和邊,能夠表示現實世界中物件及之間的關係。
在TensorFlow中,異構圖會被封裝成一個稱為tfgnn.GraphTensor的物件,這是一個複合張量類型,也就是在一個Python類別中整合了多個張量,GraphTensor儲存了圖的結構和特徵,包括附加在節點、邊上的特徵,以及整個圖的特徵。
開發者可以透過高階的Python類神經網路函式庫Keras API中的Layers物件操作,或是直接使用tfgnn.GraphTensor原始類型,來定義GraphTensor的可訓練轉換。這代表開發者可以像設計一般神經網路層那樣設計和訓練GNN模型,進而處理和學習圖資料的複雜結構和特徵。TF-GNN讓在深度學習框架中,處理和學習圖結構變得直覺和方便,特別是用於處理那些複雜關係和多種類物件的圖資料。
熱門新聞
2024-08-28
2024-08-26
2024-08-30
2024-08-26
2024-08-27
2024-08-24