科技 类型
可以朗读 语音朗读
197千字 字数
2025-11-01 发行日期
展开全部

主编推荐语

本书系统介绍并行与分布式图神经网络的核心技术和实践方法。

内容简介

全书共9章。

第1章介绍图神经网络的背景、发展历史和现状，并探索大规模图神经网络的缘由；第2章介绍图神经网络模型的基础知识及其应用；第3章介绍分布式并行机器学习的流程、训练模式、训练架构、物理架构等基础知识；第4章从整体上介绍分布式并行图神经网络训练的流程和方法；

第5章和第6章分别介绍大规模图神经网络的小批次分布式并行训练和全图分布式并行训练方法及其优化技术；第7章介绍经典的大规模图神经网络系统；第8章介绍大规模图神经网络编程实践案例；第9章探讨大规模图神经网络技术的未来发展方向。

目录

  • 版权信息
  • 前言
  • 第1章 引言
  • 1.1 图神经网络
  • 1.1.1 什么是图神经网络
  • 1.1.2 图神经网络的发展历史
  • 1.1.3 图神经网络的现状
  • 1.2 大规模图神经网络
  • 1.2.1 大规模图神经网络的缘由
  • 1.2.2 大规模图神经网络与分布式训练
  • 1.2.3 分布式图神经网络的困难与挑战
  • 1.3 本书组织
  • 参考文献
  • 第2章 图神经网络模型
  • 2.1 图的表示
  • 2.2 图神经网络的表示
  • 2.3 典型的图神经网络模型
  • 2.3.1 门控图序列神经网络
  • 2.3.2 图卷积神经网络
  • 2.3.3 图注意力网络
  • 2.3.4 生成式图神经网络模型
  • 2.4 图神经网络的应用
  • 2.4.1 社交网络
  • 2.4.2 生物与医疗
  • 2.4.3 金融与风控
  • 2.4.4 物理领域
  • 2.4.5 交通领域
  • 2.4.6 推荐系统
  • 2.5 小结
  • 参考文献
  • 第3章 分布式并行机器学习
  • 3.1 机器学习的基础知识
  • 3.1.1 基本概念
  • 3.1.2 模型训练
  • 3.1.3 反向传播算法
  • 3.1.4 梯度下降算法
  • 3.2 分布式并行机器学习的流程
  • 3.3 分布式并行机器学习的训练模式
  • 3.3.1 数据并行
  • 3.3.2 模型并行
  • 3.3.3 流水并行
  • 3.3.4 张量并行
  • 3.3.5 混合专家并行
  • 3.3.6 完全分片的数据并行
  • 3.4 分布式并行机器学习的训练架构
  • 3.4.1 分布式训练架构
  • 3.4.2 模型更新策略
  • 3.5 分布式并行机器学习的物理架构
  • 3.5.1 单机多卡分布式并行训练环境
  • 3.5.2 多机集群分布式并行训练环境
  • 3.6 小结
  • 参考文献
  • 第4章 分布式并行图神经网络训练
  • 4.1 图神经网络训练的基本流程
  • 4.1.1 全图训练
  • 4.1.2 小批次训练
  • 4.2 图神经网络与深度神经网络的比较
  • 4.3 分布式并行图神经网络训练
  • 4.3.1 小批次分布式并行图神经网络训练
  • 4.3.2 全图分布式并行图神经网络训练
  • 4.4 小结
  • 参考文献
  • 第5章 小批次分布式并行图神经网络训练与优化
  • 5.1 朴素的小批次分布式并行训练
  • 5.1.1 训练流程
  • 5.1.2 问题与不足
  • 5.2 执行引擎优化
  • 5.2.1 小批次间的算子并行训练
  • 5.2.2 推拉混合的并行训练
  • 5.2.3 基于历史嵌入的并行训练
  • 5.2.4 基于计算分解的数据并行训练
  • 5.3 图采样及其优化
  • 5.3.1 基本的图采样方法
  • 5.3.2 分布式图采样方法
  • 5.4 数据缓存优化技术
  • 5.5 通信机制及优化
  • 5.5.1 集合通信
  • 5.5.2 集合通信的死锁问题
  • 5.5.3 通信链路优化
  • 5.6 小结
  • 参考文献
  • 第6章 全图分布式并行图神经网络训练与优化
  • 6.1 全图分布式图神经网络训练基本并行方法
  • 6.1.1 子图并行的全图分布式训练
  • 6.1.2 算子并行的全图分布式训练
  • 6.1.3 子图并行与算子并行对比
  • 6.1.4 全图分布式并行图神经网络训练的效率瓶颈
  • 6.2 基于同步模型计算的效率优化
  • 6.2.1 图划分策略
  • 6.2.2 预聚合执行模式
  • 6.2.3 高效的同步通信协议
  • 6.3 基于异步模型计算的通信优化
  • 6.3.1 异步执行模型
  • 6.3.2 异步图神经网络训练通信协议
  • 6.4 小结
  • 参考文献
  • 第7章 大规模图神经网络系统
  • 7.1 图神经网络编程模型
  • 7.1.1 以张量为中心的编程模型
  • 7.1.2 以全图为中心的编程模型
  • 7.1.3 以节点为中心的编程模型
  • 7.2 图神经网络系统与图计算
  • 7.3 面向单机多GPU的图神经网络系统
  • 7.4 面向GPU集群的图神经网络系统
  • 7.5 面向CPU集群的图神经网络系统
  • 7.6 面向其他硬件平台的图神经网络系统
  • 7.7 图神经网络系统的对比与选择
  • 7.7.1 硬件设备
  • 7.7.2 模型训练方法
  • 7.7.3 模型更新策略
  • 7.8 小结
  • 参考文献
  • 第8章 大规模图神经网络编程实践
  • 8.1 基于DGL的训练环境配置
  • 8.2 单机单卡训练
  • 8.2.1 基本训练流程
  • 8.2.2 简单的图神经网络训练案例
  • 8.2.3 基于小批次的图神经网络训练案例
  • 8.3 分布式并行训练
  • 8.3.1 数据集的预处理
  • 8.3.2 分布式数据通信接口
  • 8.3.3 单机多GPU的训练
  • 8.3.4 基于集群的训练
  • 8.4 小结
  • 参考文献
  • 第9章 总结与展望
  • 参考文献
  • 推荐阅读
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。