高级API、异构图：谷歌发布TF-GNN，在TensorFlow中创建图神经网络

高效且友好的 TensorFlow GNN 库。

• 高级 keras 风格的 API 用于创建 GNN 模型，可以很容易地与其他类型的模型组合。GNN 通常与排序、深度检索结合使用或与其他类型的模型（图像、文本等）混合使用；

• 定义良好的模式用来声明图拓扑结构，以及验证工具。该模式描述了其训练数据的大小，并用于指导其他工具；

• GraphTensor 复合张量类型，可以用来保存图数据，也可以进行批处理，并具有可用的图操作例程；

• GraphTensor 结构操作库：在节点和边缘上进行各种有效的 broadcast 和 pooling 操作，以及提供相关操作的工具；标准 baked 卷积库，机器学习工程师、研究人员可以对其轻松扩展；高级 API 可以帮助工程师快速构建 GNN 模型而不必担心细节；

• 模型可以从图训练数据编码，以及用于将此数据解析为数据结构的库中提取各种特征。

import tensorflow as tf
    import tensorflow_gnn as tfgnn

    # Model hyper-parameters:
    h_dims = {'user': 256, 'movie': 64, 'genre': 128}

    # Model builder initialization:
    gnn = tfgnn.keras.ConvGNNBuilder(
      lambda edge_set_name: WeightedSumConvolution(),
      lambda node_set_name: tfgnn.keras.layers.NextStateFromConcat(
         tf.keras.layers.Dense(h_dims[node_set_name]))
    )

    # Two rounds of message passing to target node sets:
    model = tf.keras.models.Sequential([
        gnn.Convolve({'genre'}),  # sends messages from movie to genre
        gnn.Convolve({'user'}),  # sends messages from movie and genre to users
        tfgnn.keras.layers.Readout(node_set_name="user"),
        tf.keras.layers.Dense(1)
    ])

class WeightedSumConvolution(tf.keras.layers.Layer):
  """Weighted sum of source nodes states."""

  def call(self, graph: tfgnn.GraphTensor,
           edge_set_name: tfgnn.EdgeSetName) -> tfgnn.Field:
    messages = tfgnn.broadcast_node_to_edges(
        graph,
        edge_set_name,
        tfgnn.SOURCE,
        feature_name=tfgnn.DEFAULT_STATE_NAME)
    weights = graph.edge_sets[edge_set_name]['weight']
    weighted_messages = tf.expand_dims(weights, -1) * messages
    pooled_messages = tfgnn.pool_edges_to_node(
        graph,
        edge_set_name,
        tfgnn.TARGET,
        reduce_type='sum',
        feature_value=weighted_messages)
    return pooled_messages

$> git clone https://github.com/tensorflow/gnn.git tensorflow_gnn

$> pip install tensorflow

$> sudo apt-get install graphviz graphviz-dev

$> cd tensorflow_gnn && python3 -m pip install .

详解NVIDIA TAO系列分享第2期：

基于Python的口罩检测模块代码解析——快速搭建基于TensorRT和NVIDIA TAO Toolkit的深度学习训练环境

第2期线上分享将介绍如何利用NVIDIA TAO Toolkit，在Python的环境下快速训练并部署一个人脸口罩监测模型，同时会详细介绍如何利用该工具对模型进行剪枝、评估并优化。

TAO Toolkit 内包含了150个预训练模型，用户不用从头开始训练，极大地减轻了准备样本的工作量，让开发者专注于模型的精度提升。本次分享摘要如下：

• NVIDIA TAO Toolkit的独到特性
• TensorRT 8.0的最新特性
• 利用TAO Toolkit快速训练人脸口罩检测模型
• 利用TensorRT 快速部署人脸口罩检测模型

点击阅读原文，报名直播吧。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：content@jiqizhixin.com

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/