PyTorch Geometric(PyG)迅速成为了构建图神经网络(GNN)的首选框架,这是一种比较新的人工智能方法,特别适合对具有不规则结构的对象进行建模,例如分子、社交网络,并且有可能被运用在药物研发和欺诈检测等商业应用中。
同时,与其他计算架构相比,Graphcore拟未的IPU在运行GNN方面表现非常突出:赢得了行业基准测试竞赛,并被投入到美国国家实验室、商业人工智能公司和学术研究环境中加以使用。
现在,我们首次将PyG与拟未的软件栈集成起来,支持用户在IPU上构建、移植和运行他们的GNN。
我们还提供了一系列可作为Paperspace Gradient Notebooks运行的示例模型。这些模型涵盖了分子科学、时空图网络、知识图谱预测等。
加速GNN的利用
PyG的创建者和Kumo.ai公司的创始人Matthias Fey对这一合作伙伴关系表示欢迎:“IPU在运行GNN方面具有高适用性,拟未和其客户也展现出了性能优势。GNN是一种令人兴奋的模型类别。这种适用性和性能优势非常有助于加速该模型类别的利用。在开发人员从头构建新的GNN、将已有模型迁移至IPU,或是利用还在不断增加的现成IPU就绪GNN时,PyTorch Geometric的集成将帮助他们更快、更容易地开展工作。”
最少的代码更改
与在GPU上使用PyG相比,在拟未IPU上运行PyG模型进行训练或推理只需要最少的代码更改。
我们的博客展示了如何在几分钟内在IPU上启动和运行PyG。
如欲立即使用GNN,用户可选择下文中提及的预构建模型notebooks,并可以使用Paperspace上的6小时免费试用。
在云端试用我们的GNN模型notebooks
- 使用时间图网络(TGN)在IPU上训练动态图
- 使用SchNet在IPU上进行分子性质预测——训练
- 使用GIN在IPU上进行分子性质预测——训练
- 使用Cluster-GCN对大型图进行节点分类——训练
- 使用NBFNet进行归纳知识图谱链接预测——训练
查看我们的PyG教程
如欲了解这些GNN的更多详情,以及拟未IPU为何如此擅长运行这些模型的更多技术详解,请查阅我们的博客。
您也可以使用我们免费的GNN基准测试notebook来测试IPU的速度性能。