侯磊作者萝卜兔编辑

图开源深度学习库汇总

深度学习框架一样,图深度学习库也是百家争鸣。这些图深度学习库:

  • 由于很多深度学习框架已经成熟,因此他们基本都是构建于现有深度学习库之上的,即支持高效的张量操作和运算,支持GPU训练测试模型;

  • 由于Python是深度学习接口的第一语言,因此它们基本都是以Python为接口语言的;

  • 由于典型的模型算法都是开源的,因此它们基本都会实现或修改经典的图神经网络模型,让用户可以更方便地调用;

  • 由于是用于图结构数据的计算库,因此它们基本都会内置大量的基础的在图上的常用操作方法。

流行的图深度学习

PyTorch Geometric

是一个构建于PyTorch基础上的几何深度学习库,它可以直接应用在诸如图,点云和流形数据等不规则结构数据上。除了常用的图结构数据的处理方法外,它还包含来自关系学习和3D数据处理领域的公布的各种最新方法。 

资源地址:

https://github.com/rusty1s/pytorch_geometric

https://arxiv.org/pdf/1903.02428.pdf

DGL

Deep Graph Library 是一个 Python 版本的图深度学习库,它扩展了现有的张量库,并提供处理图数据的接口。它可以应用在现有的很多深度学习框架(例如,PyTorch,MXNet,Gluon等)之上,方便地实现图神经网络模型,同时保持较高的计算效率。DGL 由纽约大学,纽约大学上海分校,AWS上海 AI 实验室和 AWS MXNet 科学团队开发和维护。

资源地址:

https://github.com/dmlc/dgl

Graph Nets

Graph Nets 是由 DeepMind 开发的图网络库,用于在 TensorFlow 和 Sonnet 中构建图网络。开源的这个项目主要是依据他们在 6 月份发表的论文《Relational inductive biases, deep learning, and graph networks》,他们在该论文中将深度学习贝叶斯网络进行了融合,并提出了一种具有推理能力的概率图模型

资源地址:

https://github.com/deepmind/graph_nets

https://arxiv.org/pdf/1806.01261.pdf

OpenNE

这是由清华大学的自然语言处理实验室开源的一个网络嵌入工具包。它提供了标准的网络嵌入/网络表示学习的训练和测试框架。在框架中,统一了不同网络嵌入模型的输入和输出接口,并为各个模型提供可扩展的选项。框架基于 TensorFlow 实现了很多典型的网络嵌入模型。

资源地址:

https://github.com/thunlp/OpenNE

PyTorch-BigGraph

这是一个用于学习大规模图嵌入的分布式系统,特别适用于处理具有多达数十亿实体和数万亿条边的大型网络交互图。

资源地址:

https://github.com/facebookresearch/PyTorch-BigGraph

euler

euler 是由阿里妈妈工程平台团队与搜索广告算法团队共同探讨与开发的一个大规模分布式的图学习框架,可以配合 TensorFlow 或阿里开源的 XDL 等深度学习工具,支持在数十亿节点数百亿边数的复杂异构网络上进行模型训练。

资源地址:

https://github.com/alibaba/euler

StellarGraph

是一个用于在图结构数据上进行机器学习的Python库。

资源地址:

https://github.com/stellargraph/stellargraph

其中 ①②③ 偏向深度学习,④ 偏向于图嵌入,⑤和 ⑥ 偏向于大规模网络的工业应用,⑦ 偏向于机器学习

极验
极验

极验是全球顶尖的交互安全技术服务商,于2012年在武汉成立。全球首创 “行为式验证技术” ,利用生物特征与人工智能技术解决交互安全问题,为企业抵御恶意攻击防止资产损失提供一站式解决方案。

工程深度学习其他智能领域图嵌入图神经网络图像处理图像分类
7
相关数据
AWS机构

亚马逊网络服务系统(英语:Amazon Web Services,缩写为AWS),由亚马逊公司所创建的云计算平台,提供许多远程Web服务。Amazon EC2与Amazon S3都架构在这个平台上。在2002年7月首次公开运作,提供其他网站及客户端(client-side)的服务。截至2007年7月,亚马逊公司宣称已经有330,000名开发者,曾经登录过这项服务。

相关技术
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

图神经网络技术

图网络即可以在社交网络或其它基于图形数据上运行的一般深度学习架构,它是一种基于图结构的广义神经网络。图网络一般是将底层图形作为计算图,并通过在整张图上传递、转换和聚合节点特征信息,从而学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入,并用于节点分类或预测节点之间的连接,完整的模型可以通过端到端的方式训练。

MXNet技术

MXNet是开源的,用来训练部署深层神经网络的深度学习框架。它是可扩展的,允许快速模型训练,并灵活支持多种语言(C ++,Python,Julia,Matlab,JavaScript, Go,R,Scala,Perl,Wolfram语言)

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

贝叶斯网络技术

贝叶斯网络(Bayesian network),又称信念网络或是有向无环图模型,是一种概率图型模型。例如,贝叶斯网络可以代表疾病和症状之间的概率关系。 鉴于症状,网络可用于计算各种疾病存在的概率。

概率图模型技术

在概率论和统计学中,概率图模型(probabilistic graphical model,PGM) ,简称图模型(graphical model,GM),是指一种用图结构来描述多元随机 变量之间条件独立关系的概率模型

图网技术

ImageNet 是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库。

图网络技术

2018年6月,由 DeepMind、谷歌大脑、MIT 和爱丁堡大学等公司和机构的 27 位科学家共同提交了论文《Relational inductive biases, deep learning, and graph networks》,该研究提出了一个基于关系归纳偏置的 AI 概念:图网络(Graph Networks)。研究人员称,该方法推广并扩展了各种神经网络方法,并为操作结构化知识和生成结构化行为提供了新的思路。

暂无评论
暂无评论~