今天， NVIDIA 宣布，它将通过提供GPU-accelerated Deep Graph Library (DGL) containers帮助开发人员、研究人员和数据科学家使用图形神经网络（GNN）处理具有数十亿条边的大型异构图形。这些容器将使开发人员能够在结合PyTorch和PyTorch的集成 GPU 加速环境中更高效地工作。开发人员将能够通过经过测试、验证和支持的容器使用端到端 GNN 解决方案，而不是使用昂贵的国产软件来维护。
亮点包括
- DGL 容器–由 DGL 和 PyTorch 的最新版本、它们的依赖项以及最新的性能优化组成，以立即使用 GPU 加速性能运行代码。
- 适用于 DGL 容器的 SE(3)-Transformer – 基于 DGL、SE(3)-Transformer 和 PyTorch 的加速神经网络训练环境，适用于识别 3 维形状。例如，这对于分割 LIDAR 点云或在药物和药物发现研究中很有用。
Amazon 搜索、 PayPal 和 Pinterest 已经利用了这项技术的早期版本，并取得了巨大的成果。
Amazon 搜索为 Amazon 和电子商务零售商提供产品搜索功能，这些零售商经营的市场受到卖家和买家的信任。为了保持客户的高度信任， Amazon 搜索正在使用 GNN 检测恶意卖家、买家和产品。使用CUDA加速 DGL ， Amazon 搜索能够探索具有 10 秒数百万个节点和数亿条边的图形，同时将训练时间从 24 小时减少到 5 小时。他们还在探索具有数十亿条边的“超大图”。
贝宝管理着一个在线支付系统，每年有数十亿笔交易。随着用户数量的不断增长，他们的目标是通过采样和关系图卷积网络模型训练，处理 10 秒到 100 秒的数十亿个节点和边，以构建端到端的异构图。他们希望直接从包含数年支付交易的图表中近实时地了解特性，并为实际工作应用程序优化稀疏性和分布。
Pinterest 是一个图像共享和社交媒体平台，它部署了深度神经网络来绘制用户共享图像的结构化数据。 Pinterest 使用网络规模的推荐系统，即 GNN 链接预测，为每月超过 4 . 5 亿的活跃用户有效地提取见解和推荐 PIN 。
Pinterest 的高级机器学习架构师 Andrew Zhai 说：“ Pinterest 使用具有数十亿个节点和边缘的图形神经网络来了解我们超过 300B 引脚的生态系统。我们依靠 GPU 和 NVIDIA 优化库来训练和推断这些模型。”。
开发人员、研究人员和数据科学家可以使用新的 DGL 容器，以加速其 DGL 的开发，并加快 GNN 的采用。要通过集装箱化解决方案快速利用 GNN ，请申请抢先体验接到 DGL 容器，或接到 SE （ 3 ） – transformer 连 DGL 容器。
