近年來，深度學習席卷世界，各種原因是它具有從復雜數據（如自由格式的文本、圖像或視頻）中提取復雜模式的神奇能力。但是，許多數據集不符合這些類別，更適合用圖或者說網絡來表示。很自然的，我們能夠意識到傳統的神經網絡架構，如卷積神經網絡或循環神經網絡，并不適合這樣的數據集，需要一種新的方法。

圖神經網絡入門

圖神經網絡（GNN）是當今機器學習中最令人興奮的進展之一，以下參考論文有助于您開始學習。

GNN用于訓練如下數據集的預測模型：

•          社交網絡，用圖顯示相關人員之間的聯系，

•          推薦系統，用圖顯示客戶和條目之間的交互，

•          化學分析，化合物被表示為原子和鍵圖，

•          網絡安全，用圖描述源和目標 IP 地址之間的連接，

•          還有更多！

大多數時候，這些數據集非常大，有標記的只有一小部分。例如在欺詐檢測場景中，我們分析某些用戶與已知欺詐者的關系，預測他們是否是欺詐參與者的可能性。這一問題可以定義為半監督的學習任務，也即只對其中一小部分圖節點進行標記（’欺詐者’或’合法’）。這樣的解決方案，勝過構建手工標記的大型數據集、對它進行"線性化"以便使用傳統的機器學習算法。

解決這些問題需要領域知識（例如零售、金融、化學等）、計算機科學知識（Python、深度學習、開源工具）和基礎架構知識（訓練、部署和模型擴展）。然而很少有人掌握所有這些技能，所以就需要DGL圖神經框架和Amazon SageMaker這樣的工具。

DGL圖神經框架介紹

DGL圖神經框架于 2018 年 12 月在Github上發布，它是一個開源的Python框架，可幫助研究人員、數據科學家和科學家在其數據集上快速構建、訓練和評估圖神經網絡。

DGL 建立在流行的深度學習框架（如 PyTorch 和 Apache MXNet）之上。如果您知道其中一個或兩個，你會發現得心應手。我們沒有忘記TensorFlow的粉絲：DGL 的下一個小版本將增加對 TensorFlow的初步支持，預計下一個大版本將完全支持。

無論使用哪個框架，您都可以借助這些適合初學者的示例輕松入門。我還發現 GTC 2019 研討會的幻燈片和代碼非常有用。

完成簡單示例之后，您可以開始探索在DGL中已經實現的一系列前沿模型。例如，您可以使用圖形卷積網絡（GCN）和CORA數據集，訓練文檔分類模型：

$ python3 train.py --dataset cora --gpu 0 --self-loop 

所有模型的代碼都可以檢查和調整。AWS團隊對這些實現方法進行了仔細驗證，驗證了其性能，確保可以重現結果。

DGL 還包括一系列圖數據集，您可以輕松地下載和試驗這些數據集。

當然，您可以在本地安裝和運行DGL，但為了讓用戶有更簡單、流暢的體驗，我們將其添加到PyTorch 和 Apache MXNet深度學習容器中，這使得在Amazon SageMaker上使用DGL更方便，便于規模化訓練和部署模型，無需管理單個服務器。

藥明康德 (WuXi AppTec) 是一家全球性的制藥和醫療器械服務公司。開發一款新藥是一個復雜、昂貴、漫長的過程，通常要花費26億美元，平均需要12年。為了加快這一過程，藥明康德的計算機輔助藥物設計（CADD）團隊一直在探索神經網絡模型，以預測候選藥物分子的藥物特性。使用傳統的方法，科學家們要花幾個星期甚至幾個月的時間來構建和驗證模型、設置應用模型所需的計算資源。DGL和Amazon SageMaker為科學家提供了快速部署藥物特性預測模型的解決方案，將建模時間縮短了5倍，從而加快了藥物開發過程。

Bio-Techne是一家全球性的生命科學和診斷公司，為世界各地的研究人員和臨床醫生提供服務。公司的產品有超過 50萬種，包括高質量的試劑、儀器、臨床控制，以及組織和液體活檢診斷測試等。以高效而有意義的方式向其廣泛的客戶組織和推薦產品，變得至關重要。Bio-Techne數據實驗室正在與 AWS 協作，積極測試圖神經網絡（GNN）的使用，以改進其當前的推薦算法。DGL 通過簡單易用的API ，簡化了實現，將開發時間從幾個月縮短到數周。BioTechne的評估結果表明，使用 DGL 實現的、基于GNN的推薦模型得出的Top 10推薦，其精度比非GNN模型提高了70%。Bio-Techne將繼續優化這些模型、正式使用 DGL和Amazon SageMaker部署推薦算法。

DGL的研發由 2018年底成立的AWS上海人工智能研究院推動，與美國帕洛阿爾托的MXNet科學團隊密切協作完成。