طراحی شبکه های عصبی گرافی با استفاده از کتابخانه PyG در پایتون

مقدمه

تو این مقاله قرار هست با هم یکی از به جذاب ترین موضوعات حال حاضر دنیای دیپ لرنینگ یعنی Deep Learning Geometry اشاره داشته باشیم و کتابخانه PyG رو که به منظور طراحی شبکه های عصبی گرافی استفاده میشه رو معرفی کنیم.

کتابخانه PyG

PyG کتابخانه ای است که بر پایه چارچوب یادگیری عمیق PyTorch ساخته شده است تا به راحتی فرآیند آموزش و یادگیری شبکه های عصبی گرافی را برای طیف گسترده ای از برنامه های مرتبط با داده های ساخت یافته پیاده سازی کند. PyG هم برای محققان یادگیری ماشین و هم برای کاربرانی که برای اولین بار از ابزارهای یادگیری ماشین استفاده می کنند، به سادگی قابل استفاده است.

همچنین کتابخانه نوین PyG شامل روش های مختلفی به منظور استفاده از الگوریتم های یادگیری عمیق بر روی گراف ها و سایر ساختارهای نامنظم است که با استناد بر مقالات منتشرشده اخیر به عنوان یادگیری عمیق هندسی نیز شناخته می شوند.

قابلیت استفاده آسان از Mini-Batch Loaders برای کار بر روی گراف های کوچک یا گراف های حجیم، پشتیبانی از چندین پردازنده گرافیکی، پشتیبانی از DataPie، یادگیری توزیع شده گراف با استفاده از Quiver و دارا بودن تعداد قابل توجهی دیتاست بنچمارک از دیگر ویژگی های کتابخانه PyG است.

سایر خصوصیات کلیدی کتابخانه PyG:

بهره مندی از API یکپارچه با کاربری آسان: کلا شاید بشه با استفاده از 10 تا 20 خط کد یک مدل GNN رو آموزش داد. اگه شما قبلا با پایتورچ کار کرده باشین، دست و پنجه نرم کردن با کتابخونه PyG خیلی آسون میشه براتون.
بهره مندی از مدل های GNN گسترده: جالب هست بدونید اکثریت معماری های پیشرفته شبکه های عصبی گرافی توسط توسعه دهنده های کتابخونه PyG یا نویسنده های مقالات پژوهشی پیاده سازی شده اند و آماده استفاده هستند.
انعطاف پذیری بالا: مدل های موجود در کتابخونه PyG رو می شه به راحتی برای انجام پژوهشی های شخصی خودتون با GNN ها رو توسعه داد و پیاده سازی کرد. ایجاد تغییرات در مدل‌های موجود یا ساخت معماری‌های جدید، به لطف Message Passing API، و انواع اپراتورها و توابع ابزاری، ساده هستش.
یکپارچگی با پلتفرم GraphGym: این پلتفرم به کاربران این امکان را می دهد تجربیات استفاده از شبکه های عصبی گرافی را به راحتی دوباره بسازند، قادر به راه اندازی و تجزیه و تحلیل هزاران کانفیگ مختلف از شبکه های عصبی گرافی است و با ثبت ماژول های جدید در دیتاپایپ لاین شبکه های عصبی گرافی قابل تنظیم و سفارشی سازی است.
بهره مندی از مدل های شبکه های عصبی گرافی حقیقی در مقیاس بزرگ

معماری کتابخانه PyG

PyG یک چارچوب چند لایه ای ارائه می کند که کاربران با استفاده از آن می توانند شبکه های عصبی گرافی را در سطوح پایین و بالا طراحی و پیاده سازی کنند و از اجزای زیر تشکیل شده است:

نصب کتابخانه PyG

این کتابخانه برای نسخه های 3.7 تا 3.10 پایتون قابل استفاده کاربران می باشد.

نصب با استفاده از آناکوندا

conda install pyg -c pyg

استفاده از مخزن PIP

pip install torch-scatter -f https://data.pyg.org/whl/torch-1.13.0+${CUDA}.html

pip install torch-sparse -f https://data.pyg.org/whl/torch-1.13.0+${CUDA}.html

pip install torch-geometric

نمونه قطعه کد به منظور طراحی یک شبکه عصبی گرافی ساده