typedb ml

Repositori ini sudah ketinggalan zaman dan tidak didukung. Kami akan menutup repositori ini pada akhir 2023.

---

Typedb-ml

Sebelumnya dikenal sebagai Kglib.

TypedB-ML menyediakan alat untuk mengaktifkan algoritma grafik dan pembelajaran mesin dengan TypedB.

Ada integrasi untuk NetworkX dan untuk Pytorch Geometric (PYG).

Integrasi NetworkX memungkinkan Anda untuk menggunakan perpustakaan besar algoritma melalui data grafik yang diekspor dari TypedB.

Integrasi Pytorch Geometric (PYG) memberi Anda kotak alat untuk membangun grafik jaringan saraf (GNN) untuk data ketik Anda, dengan contoh yang disertakan untuk prediksi tautan (atau: prediksi relasi biner, dalam istilah ketik). Struktur GNNs sepenuhnya dapat disesuaikan, dengan komponen jaringan untuk topik-topik populer seperti perhatian grafik dan grafik transformer built-in.

Fitur

Networkx

• Deklarasikan struktur grafik dari kueri Anda, dengan fungsi pengambilan sampel opsional.
• Query a typedB instance dan gabungkan banyak hasil di banyak kueri menjadi satu grafik ( build_graph_from_queries ).

Geometris pytorch

• Objek DataSet untuk memuat grafik malas dari instance TypedB. Setiap grafik dikonversi ke objek Data PYG.
• Sangat wajar untuk bekerja dengan objek PYG HeteroData karena semua data di TypedB memiliki jenis. Konversi dari Data ke HeteroData tersedia di PYG, tetapi kehilangan informasi pemesanan simpul. Untuk memperbaiki ini, TypedB-ML menyediakan store_concepts_by_type untuk menyimpan konsep yang konsisten dengan objek HeteroData . Ini memungkinkan konsep untuk dikeluarkan kembali dengan prediksi setelah belajar selesai.
• FeatureEncoder to Orchestrate Encoder untuk menghasilkan fitur untuk grafik.
• Encoders untuk nilai kontinu dan kategori untuk menerapkan encodings/embedding spaces ke jenis dan nilai atribut yang ada dalam data typedB.
• Contoh lengkap untuk prediksi tautan

Lainnya

• Contoh Penggunaan Tensorboard Untuk Pyg HeteroData

Sumber daya

Anda mungkin menemukan sumber daya berikut berguna, terutama untuk memahami mengapa TypedB-ML dimulai:

• Data yang sangat diketik untuk pembelajaran mesin (YouTube, 2021)
• Bagaimana kita bisa menyelesaikan grafik pengetahuan? (YouTube, 2018)

QuickStart

Memasang

• Python> = 3.7.x

• Ambil file requirements.txt dari sini dan instal persyaratan dengan pip install -r requirements.txt . Ini karena beberapa seluk -beluk memasang dependensi PYG, lihat di sini untuk detailnya.

• Instaled TypedB-ML: pip install typedb-ml .

• TypedB 2.11.1 Berjalan di latar belakang.

• typedb-client-python 2.11.x (PYPI, rilis GitHub). Ini harus diinstal secara otomatis ketika Anda pip install typedb-ml .

Jalankan contohnya

Lihatlah contoh prediksi tautan heterogen geometris Pytorch untuk melihat cara menggunakan TypedB-ML untuk membangun GNN pada data TypedB.

Perkembangan

Untuk mengikuti percakapan pengembangan, silakan bergabung dengan Vaticle Discord, dan bergabunglah dengan saluran #typedb-ml . Atau, mulailah topik baru di Forum Diskusi Vaticle.

TypedB-ML mengharuskan Anda telah memigrasikan data Anda ke instance typedB atau typedB cluster. Ada contoh resmi repo untuk bagaimana cara melakukan ini, dan informasi yang tersedia tentang migrasi di dokumen. Atau, ada proyek yang dipimpin masyarakat yang fantastis yang tumbuh di OSI TypedB untuk memfasilitasi pemuatan data yang cepat dan mudah, misalnya TypedB Loader.

Membangun dari sumber

Diharapkan bahwa Anda akan menggunakan PIP untuk menginstal, tetapi jika Anda perlu membuat perubahan sendiri ke perpustakaan, dan mengimpornya ke proyek Anda, Anda dapat membangun dari sumber sebagai berikut:

Klon TypedB-ML:

 git clone [email protected]:vaticle/typedb-ml.git

Masuk ke direktori proyek:

 cd typedb-ml

Bangun semua target:

 bazel build //...

Jalankan semua tes. Membutuhkan Python 3.7+ di PATH Anda. Ketergantungan uji adalah untuk Linux karena itu adalah lingkungan CI:

 bazel test //typedb_ml/... --test_output=streamed --spawn_strategy=standalone --action_env=PATH

Bangun distribusi PIP. Output ke bazel-bin :

 bazel build //:assemble-pip