【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种用于优化gnn训练的图重排算法。
技术介绍
1、图(graph)是一种经典的非欧几何数据结构，它通过一系列节点及其相互关系(边)来描述数据的特征和结构。图神经网络(graph neural networks，gnn)因为具有对图结构数据进行建模和学习的能力，而引起了机器学习领域研究者的广泛关注。它不仅改变了对图数据的理解，还为社交网络分析、推荐系统、生物信息学等多个领域的问题提供了强大的解决方案。
2、然而，图数据具有天然的不规则性，与图像数据不同，图数据中任意两个数据都可能存在连接关系，因而图数据的局部性非常低，这造成了访存的不规则。图数据的不规则性给gnn的训练带来了巨大的挑战，特别是在处理大规模图数据时，gnn模型的训练和推断成本昂贵，需要大量的计算资源和时间。如何优化图数据的访存是提高gnn训练速度的关键。
3、在图重排的技术中，需要遍历所有节点并为节点生成一个顺序id，用于映射新的排列顺序。目前的图重排技术大多数用在稀疏矩阵乘法(spmv)中，用于加速spmv的计算速...
【技术保护点】
1.一种用于优化GNN训练的图重排算法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种用于优化GNN训练的图重排算法，其特征在于，所述步骤S1具体为：从图中批量提取邻接表，将节点分为孤立节点集合Vi和非孤立节点集合Vn；其中孤立节点集合Vi不参与排序过程。
3.根据权利要求2所述一种用于优化GNN训练的图重排算法，其特征在于，所述步骤S2包括以下子步骤：
4.根据权利要求3所述一种用于优化GNN训练的图重排算法，其特征在于，所述步骤S3包括以下子步骤：
5.根据权利要求4所述一种用于优化GNN训练的图重排算法，其...
【技术特征摘要】
1.一种用于优化gnn训练的图重排算法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种用于优化gnn训练的图重排算法，其特征在于，所述步骤s1具体为：从图中批量提取邻接表，将节点分为孤立节点集合vi和非孤立节点集合vn；其中孤立节点集合vi不参与排序过程。
3.根据权利要求2所述一种用于优化gnn训练的图重排算法，其特征在于，所述步骤s2包括以下子步骤：
4....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。