目录
3.1 Full-batch gradient descent
1. 引言
深度学习的成功经验告诉我们,更多的训练数据、更深的网络结构能够达到更高的性能。然而,普通的基于 SGD(随机梯度下降)的方法在训练大规模 GNN(图神经网络)时面临着两个难以忍受的问题(资源消耗随图神经网络层数呈指数型增长):训练时间长、消耗空间大。
为了降低训练模型时的资源消耗、提高训练速度,进而拓展图神经网络模型的泛用性,提出更高效的训练方法是非常有必要的。综上,本文将介绍并比较几种主流的新训练方法,并对其中最有效的 Cluster-GCN 方法开展 Python 实践。
2. 任务回顾:图节点表征学习
GNN 能够应用于许多基于图的任务,比如节点分类、链接预测和推荐系统等,而这些任务的完成主要依赖于图节点表征(node embedding)学习的好坏。
以流行的图神经网络模型 GCN 为例,它 使用一个图卷积运算(收集相邻节点的表征)逐层获得节点表征ÿ