本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 关于如何使用 Neptune ML 特征的概述
<a name="machine-learning-overview"></a>

 Amazon Neptune 中的 Neptune ML 特征为在图形数据库中利用机器学习模型提供了简化的工作流程。该过程涉及几个关键步骤：将来自 Neptune 的数据导出为 CSV 格式，对数据进行预处理以准备模型训练，使用 Amazon SageMaker AI 训练机器学习模型，创建用于预测的推理端点，然后直接从 Gremlin 查询中查询模型。Neptune 工作台提供便捷的线路和单元魔术命令，以帮助管理和自动执行这些步骤。通过将机器学习功能直接集成到图形数据库中，Neptune ML 使用户能够使用存储在 Neptune 图中的丰富关系数据得出有价值的见解并做出预测。

## 开始使用 Neptune ML 的工作流程
<a name="machine-learning-overview-starting-workflow"></a>

在 Amazon Neptune 中使用 Neptune ML 特征通常需要从以下五个步骤开始：

![Neptune ML 工作流程图](http://docs.amazonaws.cn/neptune/latest/userguide/images/neptune-ML-workflow.png)


1. **数据导出和配置** – 数据导出步骤使用 Neptune-Export 服务或 `neptune-export` 命令行工具，将数据从 Neptune 以 CSV 格式导出到 Amazon Simple Storage Service (Amazon S3)。同时会自动生成一个名为 `training-data-configuration.json` 的配置文件，该文件指定如何将导出的数据加载到可训练的图形中。

1. **数据预处理** - 在此步骤中，使用标准技术对导出的数据集进行预处理，准备好数据以进行模型训练。可以对数字数据执行特征标准化，也可以使用 `word2vec` 对文本特征进行编码。在此步骤结束时，将根据导出的数据集生成 DGL（深度图表库）图形供模型训练步骤使用。

   此步骤是使用您账户中的 SageMaker AI 处理任务来实现的，生成的数据存储在您指定的 Amazon S3 位置。

1. **模型训练** - 模型训练步骤训练将用于预测的机器学习模型。

   模型训练分两个阶段完成：
   + 第一阶段使用 SageMaker AI 处理任务来生成模型训练策略配置集，该配置集指定模型训练将使用哪种类型的模型和模型超参数范围。
   + 然后，第二阶段使用 SageMaker AI 模型调整作业来尝试不同的超参数配置，并选择生成了性能最佳模型的训练作业。调整任务对处理后的数据运行预先指定数量的模型训练任务试验。在此阶段结束时，将使用最佳训练任务的训练模型参数来生成模型构件以进行推理。

1. **在 Amazon SageMaker AI 中创建推理端点** – 推理端点是一个 SageMaker AI 端点实例，它使用最佳训练作业生成的模型构件启动。每个模型都绑定到单个端点。端点能够接受来自图形数据库的传入请求，并返回请求中输入的模型预测。创建端点后，它会一直处于活动状态，直到您将其删除。

1. **使用 Gremlin 查询机器学习模型** – 您可以使用 Gremlin 查询语言的扩展来查询来自推理端点的预测。