Deep Graph Library (DGL) 是一個 Python 包，用于在現(xiàn)有 DL 框架（目前支持 PyTorch、MXNet 和 TensorFlow）之上輕松實現(xiàn)圖神經(jīng)網(wǎng)絡(luò)模型系列。它提供了對消息傳遞的多功能控制，通過自動批處理和高度調(diào)整的稀疏矩陣內(nèi)核進行速度優(yōu)化，以及多 GPU/CPU 訓(xùn)練以擴展到數(shù)億個節(jié)點和邊的圖形。

特點：

• 一個 GPU 就緒的圖形庫。DGL 提供了一個強大的圖形對象，它可以駐留在 CPU 或 GPU 上。它捆綁了結(jié)構(gòu)數(shù)據(jù)和功能，以便更好地控制。提供了多種用于計算圖形對象的函數(shù)，包括用于圖形神經(jīng)網(wǎng)絡(luò)的高效且可定制的消息傳遞基元。

• GNN 研究人員的模型、模塊和基準。為了簡化流程，DGL 收集了一組豐富的示例實現(xiàn)，這些示例實現(xiàn)了廣泛主題的流行 GNN 模型。研究人員可以搜索相關(guān)模型以從中創(chuàng)新新想法或?qū)⑵溆米鲗嶒灥幕€。此外，DGL 提供了許多最先進的GNN 層和模塊供用戶構(gòu)建新的模型架構(gòu)。DGL是對許多標準圖形深度學(xué)習(xí)基準包括最佳平臺之一OGB和GNNBenchmarks。

• 易于學(xué)習(xí)和使用。DGL 為從 ML 研究人員到領(lǐng)域?qū)＜业母鞣N用戶提供了大量的學(xué)習(xí)資料。DGL 簡介是一個120分鐘的圖形機器學(xué)習(xí)的基礎(chǔ)知識之旅。用戶指南介紹了更多的細節(jié)圖的概念，以及訓(xùn)練方法。所有這些都包含 DGL 中的代碼片段，這些代碼片段可運行并準備好插入到自己的管道中。

• 可擴展且高效。在跨多個 GPU 或多臺機器的大規(guī)模圖上使用 DGL 訓(xùn)練模型很方便。DGL 對整個堆棧進行了廣泛的優(yōu)化，以減少通信、內(nèi)存消耗和同步方面的開銷。因此，DGL 可以輕松擴展到十億級的圖。有關(guān)與其他工具的比較，可參閱系統(tǒng)性能說明。