Skip to content

ClasCat® AI Research

クラスキャット – 生成 AI, AI エージェント, MCP

Menu
  • ホーム
    • ClassCat® AI Research ホーム
    • クラスキャット・ホーム
  • OpenAI API
    • OpenAI Python ライブラリ 1.x : 概要
    • OpenAI ブログ
      • GPT の紹介
      • GPT ストアの紹介
      • ChatGPT Team の紹介
    • OpenAI platform 1.x
      • Get Started : イントロダクション
      • Get Started : クイックスタート (Python)
      • Get Started : クイックスタート (Node.js)
      • Get Started : モデル
      • 機能 : 埋め込み
      • 機能 : 埋め込み (ユースケース)
      • ChatGPT : アクション – イントロダクション
      • ChatGPT : アクション – Getting started
      • ChatGPT : アクション – アクション認証
    • OpenAI ヘルプ : ChatGPT
      • ChatGPTとは何ですか?
      • ChatGPT は真実を語っていますか?
      • GPT の作成
      • GPT FAQ
      • GPT vs アシスタント
      • GPT ビルダー
    • OpenAI ヘルプ : ChatGPT > メモリ
      • FAQ
    • OpenAI ヘルプ : GPT ストア
      • 貴方の GPT をフィーチャーする
    • OpenAI Python ライブラリ 0.27 : 概要
    • OpenAI platform
      • Get Started : イントロダクション
      • Get Started : クイックスタート
      • Get Started : モデル
      • ガイド : GPT モデル
      • ガイド : 画像生成 (DALL·E)
      • ガイド : GPT-3.5 Turbo 対応 微調整
      • ガイド : 微調整 1.イントロダクション
      • ガイド : 微調整 2. データセットの準備 / ケーススタディ
      • ガイド : 埋め込み
      • ガイド : 音声テキスト変換
      • ガイド : モデレーション
      • ChatGPT プラグイン : イントロダクション
    • OpenAI Cookbook
      • 概要
      • API 使用方法 : レート制限の操作
      • API 使用方法 : tiktoken でトークンを数える方法
      • GPT : ChatGPT モデルへの入力をフォーマットする方法
      • GPT : 補完をストリームする方法
      • GPT : 大規模言語モデルを扱う方法
      • 埋め込み : 埋め込みの取得
      • GPT-3 の微調整 : 分類サンプルの微調整
      • DALL-E : DALL·E で 画像を生成して編集する方法
      • DALL·E と Segment Anything で動的マスクを作成する方法
      • Whisper プロンプティング・ガイド
  • Gemini API
    • Tutorials : クイックスタート with Python (1) テキスト-to-テキスト生成
    • (2) マルチモーダル入力 / 日本語チャット
    • (3) 埋め込みの使用
    • (4) 高度なユースケース
    • クイックスタート with Node.js
    • クイックスタート with Dart or Flutter (1) 日本語動作確認
    • Gemma
      • 概要 (README)
      • Tutorials : サンプリング
      • Tutorials : KerasNLP による Getting Started
  • Keras 3
    • 新しいマルチバックエンド Keras
    • Keras 3 について
    • Getting Started : エンジニアのための Keras 入門
    • Google Colab 上のインストールと Stable Diffusion デモ
    • コンピュータビジョン – ゼロからの画像分類
    • コンピュータビジョン – 単純な MNIST convnet
    • コンピュータビジョン – EfficientNet を使用した微調整による画像分類
    • コンピュータビジョン – Vision Transformer による画像分類
    • コンピュータビジョン – 最新の MLPモデルによる画像分類
    • コンピュータビジョン – コンパクトな畳込み Transformer
    • Keras Core
      • Keras Core 0.1
        • 新しいマルチバックエンド Keras (README)
        • Keras for TensorFlow, JAX, & PyTorch
        • 開発者ガイド : Getting started with Keras Core
        • 開発者ガイド : 関数型 API
        • 開発者ガイド : シーケンシャル・モデル
        • 開発者ガイド : サブクラス化で新しい層とモデルを作成する
        • 開発者ガイド : 独自のコールバックを書く
      • Keras Core 0.1.1 & 0.1.2 : リリースノート
      • 開発者ガイド
      • Code examples
      • Keras Stable Diffusion
        • 概要
        • 基本的な使い方 (テキスト-to-画像 / 画像-to-画像変換)
        • 混合精度のパフォーマンス
        • インペインティングの簡易アプリケーション
        • (参考) KerasCV – Stable Diffusion を使用した高性能画像生成
  • TensorFlow
    • TF 2 : 初級チュートリアル
    • TF 2 : 上級チュートリアル
    • TF 2 : ガイド
    • TF 1 : チュートリアル
    • TF 1 : ガイド
  • その他
    • 🦜️🔗 LangChain ドキュメント / ユースケース
    • Stable Diffusion WebUI
      • Google Colab で Stable Diffusion WebUI 入門
      • HuggingFace モデル / VAE の導入
      • LoRA の利用
    • Diffusion Models / 拡散モデル
  • クラスキャット
    • 会社案内
    • お問合せ
    • Facebook
    • ClassCat® Blog
Menu

DGL 0.5 ユーザガイド : 5 章 訓練 : 5.4 グラフ分類

Posted on 09/22/2020 by Sales Information

DGL 0.5ユーザガイド : 5 章 訓練 : 5.4 グラフ分類 (翻訳/解説)

翻訳 : (株)クラスキャット セールスインフォメーション
作成日時 : 09/22/2020 (0.5.2)

* 本ページは、DGL の以下のドキュメントを翻訳した上で適宜、補足説明したものです:

  • 5.4 Graph Classification

* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

 

ユーザガイド : 5 章 訓練 : 5.4 グラフ分類

大きい単一グラフの代わりに、時に複数のグラフの形式のデータを持つかもしれません、例えば人々のコミュニティの異なる型のリストです。同じコミュニティの人々の間の友好関係をグラフで特徴付けることにより、分類するグラフのリストを得ます。このシナリオでは、グラフ分類モデルはコミュニティの型を識別する手助けができるでしょう、i.e. 構造と全体的な情報に基づいて各グラフを分類します。

 

概要

グラフ分類とノード分類やリンク予測間の主要な相違は予測結果が入力グラフ全体の特性を特徴付けることです。ちょうど前のタスクのようにノード/エッジに渡るメッセージパッシングを遂行しますが、グラフレベル表現を取得しようともします。

グラフ分類は次のように進みます :

グラフ分類プロセス

左から右へ、一般的な実践は :

  • グラフをグラフのバッチに準備する。
  • ノード/エッジ特徴を更新するためにバッチ化されたグラフ上でメッセージ・パッシングする
  • ノード/エッジ特徴をグラフレベル表現に集約する
  • タスクの方に進む分類

 

グラフのバッチ

通常はグラフ分類タスクは多くのグラフを訓練し、そしてモデルを訓練するとき一度に一つのグラフだけを使用する場合それは非常に非効率です。一般的な深層学習実践からミニバッチ訓練のアイデアを拝借して、複数のグラフのバッチをビルドしてそれらをまとめて一つの訓練反復のために送ることができます。

DGL では、グラフのリストの単一のバッチ化されたグラフをビルドできます。このバッチ化グラフは単純に単一の巨大なグラフとして利用できます、この際に個々のコンポーネントは対応する元の小さいグラフを表しています。


バッチ化されたグラフ

 

グラフ読み出し

データの総てのグラフはそのノードとエッジ特徴に加えて、独自の構造を持つかもしれません。単一の予測を行なうために、通常は可能な限り豊富な情報に渡り集約して要約します。このタイプの演算は Readout (読み出し) と命名されます。一般的な集約は総てのノードやエッジ特徴に渡る summation, average, maximum や minimum を含みます。

グラフ $g$ が与えられたとき、平均的な readout 集約を次のように定義できます :

\[
h_g = \frac{1}{|\mathcal{V}|}\sum_{v\in \mathcal{V}}h_v
\]

DGL では対応する関数呼び出しは dgl.readout_nodes() です。

ひとたび \(h_g\) が利用可能であれば、分類出力のためにそれを MLP 層に渡すことができます。

 

ニューラルネットワーク・モデルを書く

モデルへの入力はノードとエッジ特徴を持つバッチ化グラフです。注意すべき一つのことはバッチ化グラフのノードとエッジ特徴はバッチ次元を持たないことです。少しの特別なケアがモデルに置かれるべきです :

 

バッチ化グラフ上の計算

次に、バッチ化グラフの計算プロパティを議論します。

最初に、バッチの異なるグラフは完全に分離しています、i.e. 2 つのグラフに接続するエッジはありません。この良いプロパティにより、総てのメッセージ・パッシング関数は依然として同じ結果を持ちます。

2 番目に、バッチ化グラフ上の readout 関数は各グラフに渡り個別に処理されます。バッチサイズが $B$ で集約される特徴が次元 $D$ を持つと仮定すると、readout 結果の shape は \((B, D)\) となります。

g1 = dgl.graph(([0, 1], [1, 0]))
g1.ndata['h'] = torch.tensor([1., 2.])
g2 = dgl.graph(([0, 1], [1, 2]))
g2.ndata['h'] = torch.tensor([1., 2., 3.])

dgl.readout_nodes(g1, 'h')
# tensor([3.])  # 1 + 2

bg = dgl.batch([g1, g2])
dgl.readout_nodes(bg, 'h')
# tensor([3., 6.])  # [1 + 2, 1 + 2 + 3]

最後に、バッチ化グラフ上の各ノード/エッジ特徴 tensor は総てのグラフからの対応する特徴 tensor を結合した形式にあります。

bg.ndata['h']
# tensor([1., 2., 1., 2., 3.])

 

モデル定義

上の計算ルールに気付けば、非常に単純なモデルを定義できます。

class Classifier(nn.Module):
    def __init__(self, in_dim, hidden_dim, n_classes):
        super(Classifier, self).__init__()
        self.conv1 = dglnn.GraphConv(in_dim, hidden_dim)
        self.conv2 = dglnn.GraphConv(hidden_dim, hidden_dim)
        self.classify = nn.Linear(hidden_dim, n_classes)

    def forward(self, g, feat):
        # Apply graph convolution and activation.
        h = F.relu(self.conv1(g, h))
        h = F.relu(self.conv2(g, h))
        with g.local_scope():
            g.ndata['h'] = h
            # Calculate graph representation by average readout.
            hg = dgl.mean_nodes(g, 'h')
            return self.classify(hg)

 

訓練ループ

データ・ローディング

ひとたびモデルが定義されれば、訓練を開始できます。グラフ分類は大きな単一のグラフの代わりに多くの関連する小さいグラフを扱いますので、洗練されたグラフサンプリング・アルゴリズムを設計する必要なく、通常はグラフの確率的ミニバッチ上で効率的に訓練できます。

4 章: グラフ・データパイプライン で紹介されたようにグラフ分類データセットを持つことを仮定します。

import dgl.data
dataset = dgl.data.GINDataset('MUTAG', False)

グラフ分類データセットの各項目はグラフとそのラベルのペアです。グラフをバッチ処理するために collate 関数をカスタマイズし、DataLoader を活用することによりデータローディング過程を高速化できます :

def collate(samples):
    graphs, labels = map(list, zip(*samples))
    batched_graph = dgl.batch(graphs)
    batched_labels = torch.tensor(labels)
    return batched_graph, batched_labels

それから DataLoader を作成することがでけいます、これはミニバッチでグラフのデータセットに渡り反復します。

from torch.utils.data import DataLoader
dataloader = DataLoader(
    dataset,
    batch_size=1024,
    collate_fn=collate,
    drop_last=False,
    shuffle=True)

 

ループ

それから訓練ループは dataloader に渡り反復してモデルを更新することを単純に伴います。

model = Classifier(10, 20, 5)
opt = torch.optim.Adam(model.parameters())
for epoch in range(20):
    for batched_graph, labels in dataloader:
        feats = batched_graph.ndata['feats']
        logits = model(batched_graph, feats)
        loss = F.cross_entropy(logits, labels)
        opt.zero_grad()
        loss.backward()
        opt.step()

DGL はグラフ分類のサンプルとして GIN を実装します。訓練ループは main.py の関数 train の内側にあります。モデル実装は、グラフ畳込み層として dgl.nn.pytorch.GINConv (MXNet と Tensorflow でも利用可能です) を使用して、バッチ正規化等のようなより多くのコンポーネントを持つ gin.py の内側にあります。

 

異質グラフ

異質グラフを持つグラフ分類は均質グラフを持つそれとは少し異なります。異質グラフ畳込みモジュールを必要とすることを除いて、readout 関数で異なる型のノードに渡り集約する必要もあります。

次は各ノード型のためのノード表現の平均を合計するサンプルを示します。

class RGCN(nn.Module):
    def __init__(self, in_feats, hid_feats, out_feats, rel_names):
        super().__init__()

        self.conv1 = dglnn.HeteroGraphConv({
            rel: dglnn.GraphConv(in_feats, hid_feats)
            for rel in rel_names}, aggregate='sum')
        self.conv2 = dglnn.HeteroGraphConv({
            rel: dglnn.GraphConv(hid_feats, out_feats)
            for rel in rel_names}, aggregate='sum')

    def forward(self, graph, inputs):
        # inputs are features of nodes
        h = self.conv1(graph, inputs)
        h = {k: F.relu(v) for k, v in h.items()}
        h = self.conv2(graph, h)
        return h

class HeteroClassifier(nn.Module):
    def __init__(self, in_dim, hidden_dim, n_classes, rel_names):
        super().__init__()

        self.rgcn = RGCN(in_dim, hidden_dim, hidden_dim, rel_names)
        self.classify = nn.Linear(hidden_dim, n_classes)

    def forward(self, g):
        h = g.ndata['feat']
        h = self.rgcn(g, h)
        with g.local_scope():
            g.ndata['h'] = h
            # Calculate graph representation by average readout.
            hg = 0
            for ntype in g.ntypes:
                hg = hg + dgl.mean_nodes(g, 'h', ntype=ntype)
            return self.classify(hg)

コードの残りは均質グラフのためのそれと異なりません。

# etypes is the list of edge types as strings.
model = HeteroClassifier(10, 20, 5, etypes)
opt = torch.optim.Adam(model.parameters())
for epoch in range(20):
    for batched_graph, labels in dataloader:
        logits = model(batched_graph)
        loss = F.cross_entropy(logits, labels)
        opt.zero_grad()
        loss.backward()
        opt.step()
 

以上






クラスキャット

最近の投稿

  • LangGraph Platform : Get started : クイックスタート
  • LangGraph Platform : 概要
  • LangGraph : Prebuilt エージェント : ユーザインターフェイス
  • LangGraph : Prebuilt エージェント : 配備
  • LangGraph : Prebuilt エージェント : マルチエージェント

タグ

AutoGen (13) ClassCat Press Release (20) ClassCat TF/ONNX Hub (11) DGL 0.5 (14) Eager Execution (7) Edward (17) FLUX.1 (16) Gemini (20) HuggingFace Transformers 4.5 (10) HuggingFace Transformers 4.6 (7) HuggingFace Transformers 4.29 (9) Keras 2 Examples (98) Keras 2 Guide (16) Keras 3 (10) Keras Release Note (17) Kubeflow 1.0 (10) LangChain (45) LangGraph (20) MediaPipe 0.8 (11) Model Context Protocol (16) NNI 1.5 (16) OpenAI Agents SDK (8) OpenAI Cookbook (13) OpenAI platform (10) OpenAI platform 1.x (10) OpenAI ヘルプ (8) TensorFlow 2.0 Advanced Tutorials (33) TensorFlow 2.0 Advanced Tutorials (Alpha) (15) TensorFlow 2.0 Advanced Tutorials (Beta) (16) TensorFlow 2.0 Guide (10) TensorFlow 2.0 Guide (Alpha) (16) TensorFlow 2.0 Guide (Beta) (9) TensorFlow 2.0 Release Note (12) TensorFlow 2.0 Tutorials (20) TensorFlow 2.0 Tutorials (Alpha) (14) TensorFlow 2.0 Tutorials (Beta) (12) TensorFlow 2.4 Guide (24) TensorFlow Deploy (8) TensorFlow Get Started (7) TensorFlow Graphics (7) TensorFlow Probability (9) TensorFlow Programmer's Guide (22) TensorFlow Release Note (18) TensorFlow Tutorials (33) TF-Agents 0.4 (11)
2020年9月
月 火 水 木 金 土 日
 123456
78910111213
14151617181920
21222324252627
282930  
« 7月   10月 »
© 2025 ClasCat® AI Research | Powered by Minimalist Blog WordPress Theme