为什么选择 DGL？

在过去几年里，深度学习取得了许多非凡的成功。许多具有挑战性的任务，如图像识别、富资源机器翻译、游戏对弈等，都已被深度学习解决或接近解决。这得益于一套由诸多具有强大表示能力的构建块（如卷积、注意力机制和循环）组成的技术，这些技术应用于图像、视频、文本、语音等多种数据。

这些技术的开发和部署通常依赖于给定数据的简单相关性；例如，CNN 基于相邻像素之间的空间相关性，而 RNN 系列则依赖于其输入是序列的假设。

最近，涌现了大量专注于图结构数据的新型深度学习研究。其中一些是与传统图相关的领域问题，如社交网络、化学分子和推荐系统，在这些领域中，实体与其邻居之间的交互方式与实体自身的特征同等重要，甚至更具信息量。

然而，另一些研究也将图神经网络应用于图像、文本或游戏。广义地说，我们迄今为止探讨的任何数据结构都可以形式化为图。例如，图像可以看作是像素网格，文本可以看作是词语序列……结合成熟的识别模块，图也可以在这些数据上以更高的抽象级别进行定义：如图像的场景图或语言的依存树。

为此，我们创建了 DGL。我们渴望将图带给更多深度学习研究人员。我们希望让实现图神经网络模型家族变得容易。我们也希望让基于图的模块和基于张量的模块（PyTorch 或 MXNet）的结合尽可能顺畅。

主要贡献者

• 亚马逊 AWS 上海人工智能实验室 (ASAIL): Dongyu Ru, Hongzhi (Steve) Chen, Jian Zhang, Minjie Wang, Peiyuan Zhou, Quan Gan, Rui Ying, Tiajun Xiao, Tong He, Xiangkun Hu, Zhenkun Cai, Chao Ma, Jinjing Zhou, Mufei Li, Zihao Ye, Zheng Zhang
• 亚马逊 AWS 机器学习: Da Zheng, Xiang Song, Israt Nisa, George Karypis
• NVIDIA: Chang Liu, Dominique LaSalle, Joe Eaton, Triston Cao, Xin Yao
• 纽约大学: Lingfan Yu, Yu Gai, Jinyang Li
• 佐治亚理工学院: Muhammed Fatih Balın, Ümit V. Çatalyürek

* 校友

贡献者

自发布以来，DGL 已收到 200 多位贡献者的贡献。我们很高兴能与如此充满活力的社区合作，并期待更多人加入。请在此处查看贡献者列表：这里。