หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

ที่เก็บนี้ล้าสมัยและไม่รองรับ เราจะปิดที่เก็บนี้ภายในสิ้นปี 2566

TypedB-ML

ก่อนหน้านี้รู้จักกันในชื่อ Kglib

TypedB-ML จัดเตรียมเครื่องมือในการเปิดใช้งานอัลกอริทึมกราฟและการเรียนรู้ของเครื่องด้วย TypedB

มีการรวมเข้าด้วยกันสำหรับ NetworkX และสำหรับ Pytorch Geometric (PYG)

การรวม NetworkX ช่วยให้คุณใช้ไลบรารีอัลกอริทึมขนาดใหญ่ผ่านข้อมูลกราฟที่ส่งออกจาก TypedB

การรวม Pytorch Geometric (PYG) ช่วยให้คุณมีกล่องเครื่องมือในการสร้างเครือข่ายประสาทกราฟ (GNNS) สำหรับข้อมูล TypedB ของคุณพร้อมตัวอย่างรวมสำหรับการทำนายลิงก์ (หรือ: การทำนายความสัมพันธ์แบบไบนารีในคำที่พิมพ์ผิด) โครงสร้างของ GNNs สามารถปรับแต่งได้โดยสิ้นเชิงพร้อมส่วนประกอบเครือข่ายสำหรับหัวข้อยอดนิยมเช่นความสนใจของกราฟและกราฟหม้อแปลงในตัว

คุณสมบัติ

Networkx

  • ประกาศโครงสร้างกราฟของการสืบค้นของคุณพร้อมฟังก์ชั่นการสุ่มตัวอย่างเสริม
  • สอบถามอินสแตนซ์ TypedB และรวมผลลัพธ์จำนวนมากในการสืบค้นจำนวนมากลงในกราฟเดียว ( build_graph_from_queries )

รูปทรงเรขาคณิตของ Pytorch

  • วัตถุ DataSet เพื่อโหลดกราฟอย่างเกียจคร้านจากอินสแตนซ์ TypedB แต่ละกราฟจะถูกแปลงเป็นวัตถุ Data PYG
  • เป็นเรื่องธรรมดาที่สุดที่จะทำงานกับวัตถุ pyg HeteroData เนื่องจากข้อมูลทั้งหมดใน TypedB มีประเภท การแปลงจาก Data เป็น HeteroData มีอยู่ใน PYG แต่จะสูญเสียข้อมูลการสั่งซื้อโหนด ในการแก้ไขปัญหานี้ TypedB-ML ให้บริการ store_concepts_by_type เพื่อจัดเก็บแนวคิดที่สอดคล้องกับวัตถุ HeteroData สิ่งนี้ช่วยให้แนวคิดสามารถเชื่อมโยงใหม่ได้อย่างเหมาะสมกับการคาดการณ์หลังจากการเรียนรู้เสร็จสิ้น
  • FeatureEncoder สำหรับ orchestrate encoders เพื่อสร้างคุณสมบัติสำหรับกราฟ
  • เข้ารหัสสำหรับค่าต่อเนื่องและเป็นหมวดหมู่เพื่อใช้การเข้ารหัส/การฝังช่องว่างกับประเภทและค่าแอตทริบิวต์ที่มีอยู่ในข้อมูล TypedB
  • ตัวอย่างเต็มสำหรับการทำนายลิงก์

อื่น

  • ตัวอย่างการใช้ Tensorboard สำหรับ pyg HeteroData

ทรัพยากร

คุณอาจพบว่าทรัพยากรต่อไปนี้มีประโยชน์โดยเฉพาะอย่างยิ่งที่จะเข้าใจว่าทำไม TypEDB-ML จึงเริ่มต้น:

  • ข้อมูลที่พิมพ์อย่างยิ่งสำหรับการเรียนรู้ของเครื่อง (YouTube, 2021)
  • เราจะกรอกกราฟความรู้ให้สมบูรณ์ได้อย่างไร? (YouTube, 2018)

เร็ว

ติดตั้ง

  • Python> = 3.7.x

  • คว้าไฟล์ requirements.txt จากที่นี่และติดตั้งข้อกำหนดด้วย pip install -r requirements.txt นี่เป็นเพราะความซับซ้อนบางอย่างที่ติดตั้งการพึ่งพาของ PYG ดูรายละเอียดที่นี่

  • ติดตั้ง TypedB-ML: pip install typedb-ml

  • TypedB 2.11.1 ทำงานในพื้นหลัง

  • typedb-client-python 2.11.x (PYPI, GitHub release) ควรติดตั้งโดยอัตโนมัติเมื่อคุณ pip install typedb-ml

เรียกใช้ตัวอย่าง

ลองดูตัวอย่างการทำนายการเชื่อมโยงรูปทรงเรขาคณิต pytorch เพื่อดูวิธีการใช้ TypedB-ML เพื่อสร้าง GNN บนข้อมูล TypedB

การพัฒนา

หากต้องการติดตามการสนทนาการพัฒนาโปรดเข้าร่วม Vaticle Discord และเข้าร่วม Channel #typedb-ml อีกทางเลือกหนึ่งเริ่มหัวข้อใหม่ในฟอรัมการสนทนาของวาติกัน

TypedB-ML ต้องการให้คุณย้ายข้อมูลของคุณไปยังอินสแตนซ์ TypedB หรือ TypedB Cluster มีตัวอย่างอย่างเป็นทางการ repo สำหรับวิธีการเกี่ยวกับเรื่องนี้และข้อมูลที่มีอยู่ในการย้ายถิ่นในเอกสาร อีกวิธีหนึ่งมีโครงการนำโดยชุมชนที่ยอดเยี่ยมที่เติบโตใน TypedB OSI เพื่ออำนวยความสะดวกในการโหลดข้อมูลที่รวดเร็วและง่ายดายเช่นตัวโหลด TypedB

อาคารจากแหล่งกำเนิด

คาดว่าคุณจะใช้ PIP ในการติดตั้ง แต่หากคุณจำเป็นต้องทำการเปลี่ยนแปลงของคุณเองในห้องสมุดและนำเข้าสู่โครงการของคุณคุณสามารถสร้างจากแหล่งที่มาดังนี้:

Clone TypedB-ML: 

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

ไปที่ไดเรกทอรีโครงการ: 

 cd typedb-ml

สร้างเป้าหมายทั้งหมด: 

 bazel build //...

เรียกใช้การทดสอบทั้งหมด ต้องใช้ Python 3.7+ บน PATH ของคุณ การทดสอบการพึ่งพามีไว้สำหรับ Linux เนื่องจากเป็นสภาพแวดล้อม CI: 

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

สร้างการกระจาย PIP เอาต์พุตไปยัง bazel-bin : 

 bazel build //:assemble-pip
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด