\

推动GNN成为下个爆点,IPU上的PyTorch Geometric来了!

作者:

分享  

Share on weixin
Share on weibo
Share on linkedin

订阅

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

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。

More Posts

ChatGPT开源平替:OpenAssistant OASST1微调版Pythia-12B

Flan-T5:用更小且更高效的LLM实现出色效果

详细攻略:在IPU上以float16精度运行FLAN-T5-XL推理

较小模型,超高性能:DeBERTa和自然语言理解的未来

PackedBert:如何用打包的方式加速Transformer的自然语言处理任务

Pienso为企业提供由云上IPU支持的高效大型语言模型访问

获取最新的GRAPHCORE资讯

在下方注册以获取最新的资讯和更新:




    获取最新的GRAPHCORE资讯

    在下方注册以获取最新的资讯和更新: