DGL：14k Star 的图深度学习框架

亚马逊、纽约大学联合开源的 Deep Graph Library（DGL），目前收获了 14,274 个 Star：

DGL 是一个基于 Python 的图深度学习库，专注于在图上构建和训练神经网络。它同时兼容 PyTorch、TensorFlow 和 Apache MXNet 三种主流框架，用户可以在不改变项目其他部分的前提下将图模型嵌入现有流程。

GPU 原生支持

DGL 的图对象可以直接放在 CPU 或 GPU 上运行。图结构数据和节点特征统一管理，省去了数据在不同设备间搬运的麻烦。库内置了高效的消息传递原语，用于实现各种图神经网络的消息聚合与更新操作。

为研究者准备的工具箱

图深度学习领域迭代速度快，新模型层出不穷。DGL 提供了 DGL-Go 命令行工具，几行命令就能跑通当前前沿的 GNN 模型。库里收录了大量流行 GNN 模型的参考实现，涵盖节点分类、链接预测、图分类等方向。研究人员可以直接在这些实现基础上修改创新，也可以把它们当作基线做对比实验。DGL 同时也是 OGB（Open Graph Benchmark）和 GNNBenchmarks 等标准评测平台推荐使用的框架之一。

上手门槛低

DGL 为不同背景的用户准备了分层的学习资料。120 分钟的 Blitz Introduction 覆盖了图机器学习的基础概念，配合可运行的代码片段，初学者也能快速把图模型接入自己的数据管线。进阶用户可以参考 User Guide 深入了解图的表示方法和训练技巧，中文版文档同样可用。

分布式训练

在大规模图数据上，DGL 支持多 GPU 和多机分布式训练。库对通信开销、内存占用和同步延迟做了全栈优化，能够轻松扩展到十亿级节点的图。官方提供了分布式训练的教程和性能对比报告。

安装方式很简单，pip 或 conda 一键安装即可。NVIDIA NGC 上也提供了预配置的 Docker 镜像，支持 x86 和 ARM 架构的 Linux 系统。

Docker 镜像，支持 x86 和 ARM 架构的 Linux 系统。