🆕 使用 GraphBolt 进行 GNN 的随机训练

GraphBolt 是一个用于 GNN 的数据加载框架，具有高度的灵活性和可伸缩性。它构建在 DGL 和 PyTorch 之上。

本教程介绍了如何使用 GraphBolt 实现 GNN 的随机训练。

概述

Graphbolt Overview

GraphBolt 与 PyTorch datapipe 无缝集成，依靠统一的“MiniBatch”数据结构来连接处理阶段。它简化了 GNN 训练、验证和测试的数据加载和预处理。默认情况下，GraphBolt 提供了一系列内置数据集和针对常见场景的极高效 datapipe 实现，可概括如下：

  1. 项目采样器 (Item Sampler)：从整个训练集中随机选择一个子集（节点、边、图）作为下游计算的初始 mini-batch。

  2. 负采样器 (Negative Sampler)：专为链接预测任务设计，生成不存在的边作为训练的负例。

  3. 子图采样器 (Subgraph Sampler)：根据输入的节点/边生成子图用于计算。

  4. 特征获取器 (Feature Fetcher)：从数据集中为给定输入获取相关的节点/边特征。

通过将整个数据加载过程暴露为管道，GraphBolt 提供了显著的灵活性和定制机会。用户可以轻松地用自己的实现替换任何阶段。此外，即使使用定制阶段，用户也可以从优化的 datapipe 调度策略中受益。

总而言之，GraphBolt 提供以下优势：

  1. 一个灵活的、管道化的 GNN 数据加载和预处理框架。

  2. 高效的规范实现。

  3. 高效调度。

场景