使用指南

• 基本用法
  • [数据选项](# 数据选项)
  • 训练选项
  • 模型选项
  • 分布式训练选项

本节介绍Euler图学习算法包tf_eulr的用法，用户将Euler的图数据准备好之后，可以使用命令行直接进行模型的训练，评估，和embedding导出。

基本用法

python -m tf_euler --data_dir <data_dir> --mode <mode> [flags]

• --data_dir，指定图数据位置，必须；
• --mode，指定运行模式：train / evaluate / save_embedding，默认值为train；

数据选项

• --train_node_type，训练集顶点类型，默认0；
• --all_node_type，全集顶点类型，默认-1；
• --train_edge_type，训练集边类型，默认[0]；
• --all_edge_type，全集边类型，默认[0, 1]；
• --max_id，图中最大的顶点id，必须；
• --feature_idx，稠密特征的编号，使用稠密特征必须；
• --feature_dim，稠密特征维度，使用稠密特征必须；
• -—label_idx，label在稠密特征中的编号，监督模型必须；
• --label_dim，label在稠密特征中的维度，监督模型必须；
• --num_class，分类个数，label为标量时必须；
• --id_file，测试集id列表，evaluate必须；

训练选项

• --model_dir，checkpoint路径，默认ckpt；
• --batch_size，batch size，默认512；
• --optimizer，优化器，默认adam；
• --learning_rate，学习率，默认0.01；
• --num_epochs，训练顶点轮数，默认10；
• --log_steps，日志打印间隔步数，默认20；

模型选项

• --model，模型名称，支持line / randomwalk / graphsage / graphsage_supervised / scalable_gcn / gat / saved_embedding；

• --dim，embedding宽度，默认128；

• --sigmoid_loss / --nosigmoid_loss，使用sigmoid或者softmax作为损失函数，默认--sigmoid_loss;

LINE

非监督模型

RandomWalk

非监督模型

GraphSage / GraphSage(Supervised) / ScalableGCN

非监督模型 / 监督模型 / 监督模型

• --fanouts，每层的扩展数，默认[10, 10]；
• --aggregator，汇聚类型，支持gcn / mean / meanpool / maxpool，默认mean；
• --concat / --noconcat，汇聚方法，参考GraphSAGE，默认--concat；

GAT

监督模型

• --head_num，attention head数目，默认1；

Saved Embedding

监督模型

将modir_dir中的embedding.npy文件导入作为稠密特征，并构建LR模型。用于评估非监督模型的效果。

分布式训练选项

tf_euler使用ParamerServer的方式进行分布式训练，参考： Distributed TensorFlow。其中图查询引擎会自动在worker之间进行数据切分和共享。需要注意的是分布式训练时需要把图数据放置在HDFS上。

• --worker_hosts，worker列表，分布式训练必须；
• --ps_hosts，ps列表，分布式训练必须；
• --task_name，角色名称，ps或worker，分布式训练必须；
• --task_index，角色索引，分布式训练必须；

上面所述的图学习相关参数在worker上必须。