系统要求
支持的操作系统
- 所有不早于 CentOS 8+ / Ubuntu 20.04 的 Linux 发行版。
- macOS X 10.9+
- Windows 10+ (需安装 VC2015 Redistributable) / Windows server 2016+
支持的 Python 版本: 3.8, 3.9, 3.10, 3.11, 3.12
支持的深度学习框架
- PyTorch 2.1.0+
- Apache MXNet 1.6+
- TensorFlow 2.3+.
使用 PyTorch 时额外支持的 CUDA 版本
Linux: CentOS 8+ / Ubuntu 20.04+
| PyTorch 版本 \ CUDA 版本 | 11.8 | 12.1 | 12.4 |
|---|---|---|---|
| 2.1 | ✅ | ✅ | |
| 2.2 | ✅ | ✅ | |
| 2.3 | ✅ | ✅ | |
| 2.4 | ✅ | ✅ | ✅ |
Windows: Windows 10+ / Windows server 2016+
| PyTorch 版本 \ CUDA 版本 | 11.8 | 12.1 |
|---|---|---|
| 2.0 | ✅ | |
| 2.1 | ✅ | ✅ |
推荐容器
您可以从 NVIDIA NGC 下载支持 GPU 的 DGL docker 容器（基于 PyTorch），支持 x86 和 ARM 架构的 Linux 系统。
从源代码安装
查看从源代码构建的说明。
学习 DGL
查看我们的教程和文档。
在 SageMaker 中使用 DGL
Amazon SageMaker 是一项全托管服务，使数据科学家和开发人员能够快速轻松地构建、训练和部署任何规模的机器学习模型。Amazon SageMaker 现已支持 DGL，简化了 DGL 模型的实现。深度学习容器（MXNet 1.6 和 PyTorch 1.3）捆绑了所有软件依赖项，SageMaker API 会自动设置和扩展训练图所需的 инфраструктура。请参阅 SageMaker 文档了解更多信息。入门的最佳方式是使用下面的示例 Notebook：
- 使用 GCN 对知识库进行半监督分类 (https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker-python-sdk/dgl_gcn)
- 使用科学出版物数据集学习大规模知识图谱的嵌入 (https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker-python-sdk/dgl_kge)
- 使用 GCN 预测分子的毒性属性 (https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker-python-sdk/dgl_gcn_tox21)
- 使用 GCMC 实现的电影推荐系统 (https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker-python-sdk/dgl_gcmc)