- 综合排序
- 最热优先
- 最新优先
- 来自专栏图神经网络
【DGL系列】详细分析DGL中dgl.NID和orig_id的区别
The node data dgl.NID and the edge data dgl.EID of the subgraphs store new node/edge IDs of the full 子图的节点数据 dgl.NID 和边数据 dgl.EID 存储节点/边重新洗牌后完整图的新节点/边 ID。在训练期间，用户只需使用新的节点/边 ID。 我们先看一下执行分区的函数partition_graph： dgl.distributed.partition.partition_graph — DGL 0.8.2post1 documentation 对于异构图，DGLGraph 还包含一个节点数据 dgl.NTYPE 用于表示节点类型和边数据 dgl.ETYPE 表示边类型。 id；orig_id存储的才是真正的、最原始的节点ID；dgl.NID存储的ID虽然也能代表全局ID，但它是重新排序后的ID；第4和5点反映出，节点位置如果变化，orig_id不会变，但dgl.NID
40210编辑于 2024-08-17 - 来自专栏图神经网络
【DGL系列】编译dgl源码时指定多个sm架构
默认情况只安装 最大 SM 架构DGL 的 cmake/modules/CUDA.cmake 里写死了一个选择逻辑： 如果不显式指定 CUDA_ARCH_BIN，它会 默认取检测到的最高架构（这里就是
14400编辑于 2025-10-23 - 来自专栏DrugOne
DGL | 基于深度学习框架DGL的分子图初探
DGL简介 纽约大学、纽约大学上海分校、AWS上海研究院以及AWS MXNet Science Team共同开源了一个面向图神经网络及图机器学习的全新框架，命名为Deep Graph Library（DGL 在设计上，DGL秉承三项原则： DGL必须和目前的主流的深度学习框架（Pytorch, MXNet, Tensorflow等）无缝衔接。从而实现从传统的tensor运算到图运算的自由转换。 DGL应该提供最少的API以降低用户的学习门槛。 在保证以上两点的基础之上，DGL能高效并透明地并行图上的计算，以及能很方便地扩展到巨图上。 DGL与化学 个人关注的是药物模型，用于分子性质预测，生成和优化的各种模型，DGL 致力于将GNN（图形神经网络）应用于化学领域，并且作为分子生成模型，DGMG（图形的深度生成模型）和JT-VAE（连接树变分自动编码器 DGL 现已开源 主页地址：http://dgl.ai 项目地址：https://github.com/dmlc/dgl 初学者教程：https://docs.dgl.ai/tutorials/basics
1.5K40发布于 2021-01-29 - 来自专栏小锋学长生活大爆炸
【DGL系列】dgl中为graph指定CSRCOOCSC矩阵格式
g = dgl.graph(([0, 0, 1], [2, 3, 2])) g.ndata['h'] = torch.ones(4, 1) # 查看格式 g.formats() # => {'created g = dgl.graph(([0, 0, 1], [2, 3, 2])) g.ndata['h'] = torch.ones(4, 1) # 假设只有一种格式 g.formats() # => {' import dgl import pickle # 创建一个图并设置多种格式 g = dgl.graph(([0, 1, 2], [1, 2, 3])) g = g.formats(['coo', 提供的保存dgl.save_graphs和加载dgl.load_graphs方法，这些方法能够更好地处理图的内部状态，包括稀疏格式。 # 保存图 dgl.save_graphs("graph.bin", [graph]) # 加载图 loaded_graphs, _ = dgl.load_graphs("graph.bin") graph
27210编辑于 2025-05-24 - 来自专栏图神经网络
【DGL系列】DGL子图分区的生成和加载API
2.3 documentation 在启动训练作业之前，DGL 要求对输入数据进行分区并分发到目标计算机。 - part1/ # data for partition 1 |-- node_feats.dgl |-- edge_feats.dgl |-- graph.dgl 第 7.4 章 高级图形分区 详细介绍了分区格式。 import dgl# load partition 0part_data = dgl.distributed.load_partition('data_root_dir/graph_name.json 用户可以分别使用 dgl.distributed.load_partition_feats（） 和 dgl.distributed.load_partition_book（） API 加载特征或分区簿。
40210编辑于 2024-08-17 - 来自专栏DrugScience
DGL-LifeSci-1
DGL-LifeSci: Bringing Graph Neural Networks to Chemistry and Biology 注重于生命科学以及化学的DGL-LifeSci 简介： bigraph 安装：conda install -c dglteam dgllife 官网：DGL-LifeSci: Bringing Graph Neural Networks to Chemistry and Biology
74430发布于 2021-02-04 - 来自专栏数据分析与挖掘
DGL中文文档
地址：https://github.com/taishan1994/DGL_Chinese_Manual 目录 begin 安装 4 使用conda安装 4 使用pip安装 4 使用源安装 4 设置默认的 APIs 15 2.3 编写有效的消息传递代码 17 2.4 在图的一部分上应用消息传递 18 2.5 在消息传递中使用边权重 18 2.6 在异构图中的消息传递 18 建立GNN模块 19 3.1 DGL 对大型图进行精确离线推断 74 ---6.6.1 实现离线推理 75 分布式训练 76 7.1 分布式训练的预处理 78 ---7.1.1 负载均衡 79 7.2 分布式APIs 79 ---7.2.1 DGL
6.7K30发布于 2020-09-01 - 来自专栏DrugOne
DGL | 基于深度图学习框架DGL的分子图生成
引言 Deep Graph Library (DGL) 是一个在图上做深度学习的框架。在0.3.1版本中，DGL支持了基于PyTorch的化学模型库。如何生成分子图是我感兴趣的。 环境准备 PyTorch：深度学习框架 DGL：用于图上的深度学习，支持PyTorch、MXNet等多种深度学习框架 RDKit：用于构建分子图并从字符串表示形式绘制结构式 分子生成与Junction 基于DGL的分子图生成 导入库 import dglfrom dgl import model_zoofrom dgl.model_zoo.chem.jtnn import JTNNDataset, cuda DGL提供了预先训练好的模型供用户使用。 参考资料 DGL | 基于深度学习框架DGL的分子图初探 主页地址：http://dgl.ai 项目地址：https://github.com/dmlc/dgl 初学者教程：https://docs.dgl.ai
2K20发布于 2021-01-28 - 来自专栏图神经网络
【DGL系列】简单理解dgl.distributed.load_partition的返回参数
['orig_id'] dgl.distributed.load_partition — DGL 2.3 documentation 函数简介函数作用： 从数据路径加载分区数据。 — DGL 2.3 documentation 这个就很重要了。 dgl.NID dgl.NID 是一个保留的键，用于标识节点的全局ID。g.ndata['orig_id'] 用于存储节点的原始 ID，因为在图进行分区时候会进行重新映射节点 ID。 注意，这个属性需要在dgl.distributed.partition_graph时候指定return_mapping=True才能生成。 重新映射 ID（dgl.NID）：在分区或其他处理过程中，节点 ID 可能会被重新映射以优化分区内的访问和计算效率。
39210编辑于 2024-08-17 - 来自专栏Python进阶之路
CUDA 下 DGL 库安装
在复现 Beta 小波图神经网络（BWGNN），图结构上的异常检测时，需要安装 DGL 库： conda install -c dglteam dgl-cuda11.1 pip install sympy 差这个 psutil 库，再 pip install 安装上即可，跑通了代码，测试结果如下： References： pytorch系列（三）——cuda下DGL库安装 DGL官网 DGL Install
2.9K10编辑于 2022-07-17 - 来自专栏小锋学长生活大爆炸
【DGL系列】DGLGraph.out_edges简介
转载请注明出处：小锋学长生活大爆炸[xfxuezhagn.cn] 如果本文帮助到了你，欢迎[点赞、收藏、关注]哦~ dgl.DGLGraph.out_edges — DGL 2.3 documentation 函数说明 dgl.DGLGraph.out_edges 是 DGL（Deep Graph Library）中的一个方法，用于获取图中所有边的源节点和目标节点。 ([0, 0, 1, 2]) v = torch.tensor([1, 2, 3, 3]) graph = dgl.graph((u, v)) # 获取所有边的源节点和目标节点 src, dst = import dgl import torch # 创建一个无向图，包含4个节点和4条边 u = torch.tensor([0, 0, 1, 2]) v = torch.tensor([1, 2, 3, 3]) # 创建双向边以模拟无向图 u_bi = torch.cat([u, v]) v_bi = torch.cat([v, u]) graph = dgl.graph((u_bi, v_bi
16500编辑于 2025-05-24 - 来自专栏Datawhale专栏
GNN教程：DGL框架实现GCN算法！
而图神经网络框架DGL也采用了这样的思路。 从本篇博文开始，我们使用DGL做一个系统的介绍，我们主要关注他的设计，尤其是应对大规模图计算的设计。 这篇文章将会介绍DGL的核心概念 — 消息传递机制，并且使用DGL框架实现GCN算法。 ? DGL 核心 — 消息传递 DGL 的核心为消息传递机制（message passing），主要分为消息函数 （message function）和汇聚函数（reduce function）。 具体实现 step 1，引入相关包 import dgl import dgl.function as fn import torch as th import torch.nn as nn import Reference DGL Basics Graph Convolutional Network PageRank with DGL Message Passing
2.7K20发布于 2021-01-05 DGL(0.8.x) 技术点分析
DGL为Amazon发布的图神经网络开源库(github)。支持tensorflow, pytorch, mxnet。 如何初始化一个图：节点ID从0开始标号G = dgl.graph((us, vs)) 一系列点和边，us->vsG.add_nodes(n) 添加n个点G.add_edge(u, v)添加边u->vG.add_edges
15400编辑于 2025-02-09- 来自专栏Datawhale专栏
GNN教程：DGL框架中的采样模型！
之前介绍了DGL这个框架，以及如何使用DGL编写一个GCN模型，用在学术数据集上，这样的模型是workable的。 DGL采用了和GraphSAGE类似的邻居采样策略，通过构建计算子图缩小了每次计算的图规模，这篇博文将会介绍DGL提供的采样模型。 ? DGL 和GraphSAGE中一致，DGL将mini-batch 训练的前期准备工作分为两个层面，首先建立为了更新一个batch内节点embedding而需要的所有邻居节点信息的子图，其次为了保证子图的大小不会受到 这样的计算图在DGL中叫做NodeFlow。 DGL提供NeighborSampler类来构建采样后的NodeFlow，NeighborSampler返回的是一个迭代器，生成NodeFlow实例，们来看看DGL提供的一个结合采样策略的GCN实例代码
2.1K10发布于 2021-01-20 新手入门：DGL安装遇到的问题
aarch64接着判断当前环境的python版本，在terminal中输入指令python --version返回结果Python 3.10.14可以判断需要安装aarch64的版本，如果使用whl包安装dgl dgl注意安装完成后，terminal显示成功安装的dgl版本以及对应的配套安装的其他包的版本，信息如下Successfully installed dgl-2.1.0 sympy-1.13.1 torch -2.5.1 torchdata-0.10.1接下来先简单导入下dgl看是否安装成功，终端执行指令如下python -c "import dgl"发现报错信息如下按住Ctrl健点击traceback信息 "import dgl"新的报错信息如下按照指示安装缺失的包pip install pydantic安装成功后，再次尝试导入dglpython -c "import dgl"根据如下报错信息，推断在NPU ，发现能成功导入导入dgl包成功接下来，基于导入的dgl包进行一个简单的模型训练验证，将在下文中记载。
1.1K10编辑于 2025-01-21- 来自专栏图与推荐
DGL&NVIDIA | 图机器学习在线讲座
因此，为了更好地联系广大对图机器学习有兴趣的研究者和相关领域的从业者，AWS DGL团队和NVIDIA RAPIDS团队一起组织了针对图神经网络的系列讲座。 University of Illinois at Urbana-Champaign) 7:40 - 8:10: Challenges and Thinking in Go-production of GNN + DGL
51130发布于 2021-10-12 图机器学习调研洞察：PyG与DGL
目前，主流的开源图学习引擎有DGL，PyG，GraphScope，Angel，PGL等，其基本信息如下：可以看出，DGL和PyG支持的算法数量最多，且社区活跃度很高，充分反映了它们在图学习领域的受欢迎程度 具体从实现方式来看，PyG和DGL存在如下不同：DGL将每个图转变为DGLGraph，消息传递也是已DGLGraph为中心进行的。 值得指出的是，PyG与DGL分别代表了两种不同的图机器学习计算框架。 PyG与DGL的架构图如下所示，对于大图性能优势的初步探讨如下。 PyG切分成小图之后时串行运行的，而DGL可以并行处理；PyG是基于动态图的，会重复建图，DGL支持动态和静态图，可以避免重复建图的耗时；DGL底层基于CUDA实现，支持PT，TF等AI框架，PyG基于
36410编辑于 2025-02-07- 来自专栏DrugOne
新版本，新特性，DGL 0.5版发布
DGL过去的几次发布提供了很多API和功能。尽管DGL发展的速度很快，但DGL文档的更新一直比较得滞后。DGL社区意识到了这个问题，在本次发布里对文档作出了很多更新。 例如，现在DGL的建图只涉及到dgl.graph和dgl.heterograph这两个API，分别对应于同构图和异构图。另外一个明显的简化是DGLGraph是现在唯一的保存图和特征的类。 DGL 0.5向用户提供了更多对核心图结构的操作和管理的接口。首先，现在DGL允许使用int32类型整数创建图。 “DGL能处理需要多台机器才能存下的超级大图吗？”这个问题从DGL项目的孕育阶段就出现在社区的视线里。 扩展阅读材料 [1] https://docs.dgl.ai/guide/index.html [2] https://docs.dgl.ai/guide/graph.html [3] DGL最新的arxiv
1K50发布于 2021-02-02 - 来自专栏DrugOne
DGL & RDKit | 基于GCN的多任务分类模型
DGL 纽约大学、纽约大学上海分校、AWS上海研究院以及AWS MXNet Science Team共同开源了一个面向图神经网络及图机器学习的全新框架，命名为Deep Graph Library（DGL import GCNClassifier from dgl.data.chem.utils import mol_to_graph from dgl.data.chem.utils import mol_to_complete_graph from dgl.data.chem import CanonicalAtomFeaturizer from dgl.data.chem import CanonicalBondFeaturizer 参考资料 项目地址：https://github.com/dmlc/dgl 初学者教程：https://docs.dgl.ai/tutorials/basics/index.html 所有示例模型的详细从零教程 ：https://docs.dgl.ai/tutorials/models/index.html 文 / 编辑：王建民 DrugAI
2.4K60发布于 2021-02-01 - 来自专栏DrugOne
DGL & RDKit | 基于Attentive FP的分子性质线性模型
DGL开发人员提供了基于DGL实现的Attentive FP模型， 基于Attentive FP探索分子性质预测的线性模型。 import atom_type_one_hot from dgl.data.chem.utils import atom_degree_one_hot from dgl.data.chem.utils import atom_formal_charge from dgl.data.chem.utils import atom_num_radical_electrons from dgl.data.chem.utils import one_hot_encoding from dgl.data.chem import CanonicalAtomFeaturizer from dgl.data.chem import from dgl.data.chem import BaseBondFeaturizer from dgl.data.chem import one_hot_encoding from dgl.data.utils
2.6K50发布于 2021-02-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号