Deep Graph Library(DGL)은 기존의 DL 프레임워크(e.g. PyTorch, MXNet, Gluon 등)위에 그래프 뉴럴 네트워크 모델을 간편하게 구현하기 위한 Python 패키지입니다. DGL은 아키텍쳐 디자인 상에서 NetworkX의 API와 패러다임을 따르고 지향하고 있습니다.
DGL은 그래프 뉴럴넷 구현에서의 Keras로 비유되곤 합니다. 다양한 API 함수들이 제공되고, 다양한 백엔드 프레임워크를 취향에 맞게 사용할 수 있습니다. 해당 튜토리얼에서는, PyTorch 백엔드를 사용한 예제를 제공합니다. 간편하고 직관적인 구현이 DGL의 강점입니다.
해당 튜토리얼은 DGL 공식 API 문서와 WWW20, KDD20의 내용을 번역, 재구성하여 작성되었으며, DGL 메인 컨트리뷰터 Minjie Wang님의 동의와 자문을 구해 만들어 졌음을 밝힙니다.
공부하는 과정에서 정리하는 목적에서 만든 자료이기 때문에, 부족한 부분이 많습니다.
잘못된 내용이나 수정이 필요한 부분은 issue나 PR, 메일로 알려주시면 감사하겠습니다!
해당 튜토리얼은 jupyter notebook으로 작성되어 있습니다. 간편한 환경 셋팅을 위해 docker 컨테이너를 실행하여 jupyter lab 환경에서 실습을 진행합니다.
git clone https://github.com/myeonghak/DGL-tutorial.git
cd DGL-tutorial
docker를 사용해 실습 환경을 셋팅합니다. 로컬 환경에서의 셋팅은 여기를 참고해 주세요.
1. 도커 이미지 가져오기
docker pull nilsine11202/dgl-tutorial:1.0
docker images
2. 컨테이너 실행
받아온 이미지를 사용해 컨테이너를 실행합니다.
docker run --runtime nvidia -it --name dgl_tuto -p 8885:8885 -v /home:/workspace -d nilsine11202/dgl-tutorial:1.0 /bin/bash
# docker run --runtime nvidia -it --name dgl_tuto --shm-size 128G -p 8885:8885 -v /home:/workspace -d nilsine11202/dgl-tutorial:1.0 /bin/bash
# (large-graph 예제 실행시 Bus error (core dumped) model share memory 에러가 발생할 경우, 위처럼 --shm-size 인자로 도커 컨테이너의 shared memory를 늘림으로써 해결할 수 있습니다)
dgl_tuto: 컨테이너의 이름으로 사용한 임의의 명칭입니다. 원하시는 이름으로 바꾸어 사용하세요.
8885:8885: jupyter lab 포팅을 위한 포트를 지정해 줍니다. 원하는 포트로 바꾸어 사용할 수 있습니다. 로컬호스트가 사용하지 않을 법한 포트명을 임의로 지정해 주었습니다.
/home:/workspace: docker 컨테이너 내부의 /home 디렉터리를 로컬의 /workspace 디렉터리로 맵핑해 주었습니다. 역시 원하는 디렉터리로 바꾸어 사용하셔도 됩니다.
3. 컨테이너로 배시 실행
docker exec -it dgl_tuto bash
실행이 성공하면, 컨테이너의 bash에 접근할 수 있습니다.
4. 주피터 랩 실행하기
jupyter lab --ip=0.0.0.0 --port=8885 --allow-root
docker 컨테이너의 배시에서 위의 커맨드를 실행하면, 주피터 환경에 접근할 수 있습니다.
- custom graph dataset 만들기
- graph visualization
- local 환경 셋팅
- 추천 시스템 예제 적용