框架无关
使用 PyTorch、TensorFlow 或 Apache MXNet 构建模型。
高效且可扩展
用于训练图神经网络的快速且内存高效的消息传递原语。通过多 GPU 加速和分布式训练基础设施扩展到巨型图。
多样化的生态系统
DGL 赋能各种特定领域的项目，包括用于学习大规模知识图嵌入的 DGL-KE、用于生物信息学和化学信息学的 DGL-LifeSci 等等。
寻找一个入门示例
在 CPU 上使用 BFloat16 数据类型加速 GNN 训练
图神经网络 (GNN) 在各种工业任务中取得了最先进的性能。然而，大多数 GNN 操作受内存限制，需要大量 RAM。为了很好地解决这个问题...
DGL 2.1：为您的 GNN 数据管道带来 GPU 加速
DGL 2.1 为 GraphBolt 中的整个 GNN 数据加载管道引入了 GPU 加速，包括图采样和特征提取阶段。
DGL 2.0：简化您的 GNN 数据管道，从瓶颈到提速
DGL 2.0 的到来标志着 GNN 领域的一个重要里程碑，在数据加载能力方面提供了显著改进。
DGL 1.0：赋能每个人的图机器学习
我们很高兴宣布 DGL 1.0 的到来，这是过去 3 年多发展的一个重要里程碑。
人们怎么说...
由纽约大学、上海纽约大学和亚马逊 AWS 呈现。
这是目前为止 PyTorch 中最简洁优雅的图神经网络库。强烈推荐！在一个 API 中统一了 Capsule Nets（二分图上的 GNN）和 Transformers（全连接图上带有注意力的 GCN）。
我今天在“图神经网络”讲座中向学生们讲授了 Deep Graph Library (DGL)。它是使用 PyTorch 开发 GNN 的绝佳资源。
赞助商
