Deep Graph Library (DGL) 是一个 Python 包，用于在现有 DL 框架（目前支持 PyTorch、MXNet 和 TensorFlow）之上轻松实现图神经网络模型系列。它提供了对消息传递的多功能控制，通过自动批处理和高度调整的稀疏矩阵内核进行速度优化，以及多 GPU/CPU 训练以扩展到数亿个节点和边的图形。
特点：
-
一个 GPU 就绪的图形库。DGL 提供了一个强大的图形对象，它可以驻留在 CPU 或 GPU 上。它捆绑了结构数据和功能，以便更好地控制。提供了多种用于计算图形对象的函数，包括用于图形神经网络的高效且可定制的消息传递基元。
-
GNN 研究人员的模型、模块和基准。为了简化流程，DGL 收集了一组丰富的示例实现，这些示例实现了广泛主题的流行 GNN 模型。研究人员可以搜索相关模型以从中创新新想法或将其用作实验的基线。此外，DGL 提供了许多最先进的GNN 层和模块供用户构建新的模型架构。DGL是对许多标准图形深度学习基准包括最佳平台之一OGB和GNNBenchmarks。
-
易于学习和使用。DGL 为从 ML 研究人员到领域专家的各种用户提供了大量的学习资料。DGL 简介是一个120分钟的图形机器学习的基础知识之旅。用户指南介绍了更多的细节图的概念，以及训练方法。所有这些都包含 DGL 中的代码片段，这些代码片段可运行并准备好插入到自己的管道中。
-
可扩展且高效。在跨多个 GPU 或多台机器的大规模图上使用 DGL 训练模型很方便。DGL 对整个堆栈进行了广泛的优化，以减少通信、内存消耗和同步方面的开销。因此，DGL 可以轻松扩展到十亿级的图。有关与其他工具的比较，可参阅系统性能说明。
