Deep Graph Library (DGL) 是一個 Python 包，用于在現有 DL 框架（目前支持 PyTorch、MXNet 和 TensorFlow）之上輕松實現圖神經網絡模型系列。它提供了對消息傳遞的多功能控制，通過自動批處理和高度調整的稀疏矩陣內核進行速度優化，以及多 GPU/CPU 訓練以擴展到數億個節點和邊的圖形。

特點：

• 一個 GPU 就緒的圖形庫。DGL 提供了一個強大的圖形對象，它可以駐留在 CPU 或 GPU 上。它捆綁了結構數據和功能，以便更好地控制。提供了多種用于計算圖形對象的函數，包括用于圖形神經網絡的高效且可定制的消息傳遞基元。

• GNN 研究人員的模型、模塊和基準。為了簡化流程，DGL 收集了一組豐富的示例實現，這些示例實現了廣泛主題的流行 GNN 模型。研究人員可以搜索相關模型以從中創新新想法或將其用作實驗的基線。此外，DGL 提供了許多最先進的GNN 層和模塊供用戶構建新的模型架構。DGL是對許多標準圖形深度學習基準包括最佳平臺之一OGB和GNNBenchmarks。

• 易于學習和使用。DGL 為從 ML 研究人員到領域專家的各種用戶提供了大量的學習資料。DGL 簡介是一個120分鐘的圖形機器學習的基礎知識之旅。用戶指南介紹了更多的細節圖的概念，以及訓練方法。所有這些都包含 DGL 中的代碼片段，這些代碼片段可運行并準備好插入到自己的管道中。

• 可擴展且高效。在跨多個 GPU 或多臺機器的大規模圖上使用 DGL 訓練模型很方便。DGL 對整個堆棧進行了廣泛的優化，以減少通信、內存消耗和同步方面的開銷。因此，DGL 可以輕松擴展到十億級的圖。有關與其他工具的比較，可參閱系統性能說明。