الکتروهایو

هوش مصنوعی / الکترونیک / برنامه‌نویسی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

کتابخانه TensorFlow GNN 1.0 (TF-GNN) برای تست و تولید GNN در مقیاس بزرگ توسط گوگل AI منتشر شد!

کتابخانه TensorFlow GNN 1.0 (TF-GNN) برای تست و تولید در مقیاس بزرگ توسط گوگل AI منتشر شد! - الکتروهایو
در این مقاله می‌خوانید:

زمان تخمینی مطالعه: 3 دقیقه

محققان گوگل یک کتابخانه جدید در TensorFlow به نام کتابخانه TensorFlow GNN 1.0 (TF-GNN) اضافه کردند که برای ساخت و آموزش شبکه‌های عصبی گراف (GNN) در مقیاس بزرگ در اکوسیستم TensorFlow طراحی شده است. این کتابخانه GNN می‌تواند ساختار و ویژگی‌های نمودارها را پردازش کند و امکان پیش‌بینی روی گره‌ها، کل نمودارها یا لبه‌های بالقوه را فراهم کند.

شبکه‌های عصبی گراف (GNN) روش‌های یادگیری عمیقی هستند که بر روی نمودارها عمل می‌کنند و برای انجام استنتاج بر روی داده‌های توصیف شده توسط نمودارها استفاده می‌شوند. نمودارها برای مدت طولانی در ریاضیات و علوم کامپیوتر مورد استفاده قرار گرفته‌اند و با تشکیل شبکه‌ای از گره‌ها که توسط لبه‌هایی به روش‌های نامنظم مختلف به هم متصل شده‌اند، برای مسائل پیچیده راه‌حل می‌دهند. الگوریتم‌های سنتی ML تنها روابط منظم و یکنواختی را بین اشیاء ورودی اجازه می‌دهند، برای مدیریت روابط پیچیده تلاش می‌کنند و در درک اشیاء و اتصالات آن‌ها که برای بسیاری از داده‌های دنیای واقعی بسیار مهم است، ناتوان هستند.

در TF-GNN، نمودارها به صورت GraphTensor نمایش داده می‌شوند، مجموعه‌ای از تانسورها در یک کلاس که شامل تمام ویژگی‌های نمودارها گره‌ها، ویژگی‌های هر گره، یال‌ها و وزن‌ها یا روابط بین گره‌ها می‌شود. این کتابخانه از نمودارهای ناهمگن پشتیبانی می‌کند، که به طور دقیق سناریوهای دنیای واقعی را نشان می‌دهد که در آن اشیاء و روابط آنها در انواع مجزایی هستند. در مورد مجموعه داده‌های بزرگ، نمودار تشکیل شده دارای تعداد زیادی گره و اتصالات پیچیده است. برای آموزش کارآمد این شبکه‌ها، TF-GNN از تکنیک نمونه‌گیری زیرگراف استفاده می‌کند که در آن بخش کوچکی از نمودارها با داده‌های اصلی کافی برای محاسبه نتیجه GNN برای گره برچسب‌دار در مرکز آن و آموزش مدل آموزش داده می‌شوند.

معماری اصلی GNN مبتنی بر شبکه‌های عصبی پیام‌رسان است. در هر دور، گره‌ها پیام‌هایی را از همسایگان خود دریافت و پردازش می‌کنند، و به طور مکرر حالت‌های پنهان خود را اصلاح می‌کنند تا اطلاعات انبوه را در همسایگی خود منعکس کنند. TF-GNN از GNN های آموزشی به دو روش نظارت شده و بدون نظارت پشتیبانی می‌کند. آموزش نظارت شده، تابع ضرر(Loss Function) را بر اساس مثال‌های برچسب‌گذاری شده به حداقل می‌رساند، در حالی که آموزش بدون نظارت، نمایش‌های پیوسته (جاسازی‌های) ساختار گراف را برای استفاده در سایر سیستم‌های ML ایجاد می‌کند.

کتابخانه TensorFlow GNN 1.0 (TF-GNN) نیاز به یک راه حل قوی و مقیاس پذیر برای ساخت و آموزش GNN ها را برطرف می‌کند. نقاط قوت کلیدی آن در توانایی آن در مدیریت نمودارهای ناهمگن، نمونه برداری کارآمد زیرگراف، ساخت مدل انعطاف پذیر و پشتیبانی از آموزش تحت نظارت و بدون نظارت نهفته است. با ادغام یکپارچه با اکوسیستم TensorFlow، TF-GNN به محققان و توسعه دهندگان این امکان را می‌دهد تا از قدرت GNN ها برای کارهای مختلف شامل تحلیل و پیش بینی شبکه پیچیده استفاده کنند.

لوگو الکتروهایو

الکتروهایو در خدمت مخاطبان عزیز می‌باشد. ما در تیم الکتروهایو در تلاش برای تهیه مقالات و مطالب به روز هستیم. لطفا برای مطالب و مقالات بیشتر با ما همراه باشید.

مطالب مرتبط:

داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی و تفسیر آن در بسیاری از زمینه‌ها از جمله آمار، علوم کامپیوتر، روانشناسی و بازاریابی ضروری است. این مقاله ویژگی‌ها، کاربردها و تفاوت‌های داده‌های اسمی

ادامه مطلب »
حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. حاشیه‌نویسی‌ها برچسب‌هایی هستند که داده‌ها را شناسایی و طبقه‌بندی می‌کنند یا قطعات مختلف اطلاعات را با یکدیگر مرتبط می‌کنند. الگوریتم‌های هوش مصنوعی از آنها به

ادامه مطلب »
هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و متنوع بودند. برخی از آنها کاملاً عشایری بودند و مرتباً موقعیت خود را تغییر می‌دادند. برخی از آنها فواصل بسیار زیادی را مهاجرت کردند، در

ادامه مطلب »
با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده در اطراف اشیاء شناسایی شده، مکان یک شی را در یک تصویر شناسایی و مکان‌یابی می‌کند. اهمیت تشخیص اشیاء را نمی‌توان به اندازه کافی بیان

ادامه مطلب »
با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی - سایت الکتروهایو

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی

یادگیری ماشین (Machine Learning) و علم داده (Data Science) موضوعاتی هستند که در تمامی بخش‌های فناوری اطلاعات در مورد آن بحث و گفتگو وجود دارد. امروزه همه چیز در حال خودکار شدن است، و برنامه‌های کاربردی نیز به سرعت در

ادامه مطلب »
داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی …

حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. …

هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و …

با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده …

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی - سایت الکتروهایو

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی

تصویربرداری چند طیفی تکنیکی است که نور را در طیف وسیعی از باندهای طیفی، فراتر …