Estás leyendo la publicación: Los investigadores de Google abren TensorFlow GNN (TF-GNN): una biblioteca de Python escalable para redes neuronales gráficas en TensorFlow
Las redes neuronales nativas de gráficos, o GNN, ofrecen un método fácil de usar para realizar tareas de predicción a nivel de nodo, nivel de borde y nivel de gráfico. Estas técnicas de aprendizaje profundo están diseñadas específicamente para ejecutar inferencias en datos representados por gráficos. Los GNN compensan las deficiencias de las redes neuronales convolucionales (CNN). Además de tener usos prácticos en varios campos tan diversos como el modelado de sistemas físicos, el aprendizaje de huellas dactilares químicas, la predicción de interacciones de proteínas y la categorización de redes sociales, las GNN tienen el poder de hacer que los modelos de aprendizaje automático sean multimodales. La mejor estrategia para avanzar en el desarrollo de GNN es crear marcos de software que puedan aprender de los datos estructurados por gráficos de manera más efectiva. TensorFlow GNN (TF-GNN) es una biblioteca escalable para Graph Neural Networks en TensorFlow. Esta biblioteca de Python permite el entrenamiento y la inferencia de GNN en datos estructurados por gráficos mediante el uso de datos relacionales heterogéneos para construir modelos GNN. Un grupo de científicos de Google Core ML, Google Research y DeepMind abrieron esta biblioteca TF-GNN en su artículo más reciente.
Fuente: https://arxiv.org/pdf/2207.03522.pdfLas redes neuronales gráficas se pueden entrenar e inferir en cualquier tipo de datos estructurados en gráficos utilizando TF-GNN. TF-GNN se beneficia de ser parte del ecosistema TensorFlow. Estos incluyen soporte para hardware matemático rápido como unidades de procesamiento de tensor (TPU) y modelos pre-entrenados para múltiples modalidades, como NLP. La biblioteca ofrece a los desarrolladores cuatro componentes API diferentes con diferentes niveles de abstracción, lo que les permite utilizar modelos GNN sólidos independientemente de su grado de experiencia. Para usuarios expertos, la biblioteca ofrece un nivel de datos que se puede usar para cargar gráficos heterogéneos en TensorFlow y representarlos. La biblioteca ofrece un nivel de intercambio de datos para transmitir datos entre los nodos y los bordes de un gráfico para usuarios intermedios. El modelo que proporciona transformaciones entrenables de los datos compartidos en los gráficos constituye el tercer nivel de su estructura de API. Se ha desarrollado un kit de herramientas “Orchestrator” que incorpora objetivos de aprendizaje de gráficos populares, capacidades de capacitación distribuida y soporte de acelerador, lo que lo hace adecuado para principiantes con poco o ningún conocimiento de codificación. Este conjunto de herramientas facilita el manejo de datos de entrada, el procesamiento de funciones, la capacitación y la validación. TF-GNN se usa ampliamente en equipos internos de Google. La compañía espera que al hacer que la biblioteca sea de código abierto, más desarrolladores de diversa experiencia podrán crear GNN y fomentar la aplicación práctica de estos modelos prometedores en más industrias.
Este artículo está escrito como un artículo de resumen por el personal de Marktechpost basado en el trabajo de investigación ‘TF-GNN: graficar redes neuronales en TensorFlow‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y enlace github.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
