2019 年，紐約大學、亞馬遜雲端科技聯手推出圖神經網路框架 DGL (Deep Graph Library)。如今 DGL 1.0 正式發表！ DGL 1.0 總結了過去三年學術界或工業界對圖深度學習和圖神經網路（GNN）技術的各類需求。從最先進模型的學術研究到將 GNN 擴展到工業級應用，DGL 1.0 為所有用戶提供全面且易用的解決方案，以更好的利用圖機器學習的優勢。
#DGL 1.0 為不同場景提供的解決方案。
DGL 1.0 採用分層和模組化的設計，以滿足各種使用者需求。本次發布的關鍵特性包括：
- 100 多個開箱即用的GNN 模型範例，15 多個在Open Graph Benchmark（OGB）上排名靠前的基準模型；
- 150 多個GNN 常用模組，包括GNN 層、資料集、圖資料轉換模組、圖採樣器等，可用於建立新的模型架構或基於GNN 的解決方案；
- 靈活高效的訊息傳遞和稀疏矩陣抽象，用於開發新的GNN 模組；
- 多GPU 和分散式訓練能力，支援在百億規模的圖上進行訓練。
#DGL 1.0技術堆疊圖
#「https:/ /github.com/dmlc/dgl
此版本的亮點之一是引入了DGL-Sparse，這是一個全新的編程接口，使用了稀疏矩陣作為核心的程式設計抽象。 DGL-Sparse 不僅可以簡化現有的 GNN 模型（例如圖卷積網路）的開發，而且還適用於最新的模型，包括基於擴散的 GNN，超圖神經網路和圖 Transformer。 
DGL 1.0 版本的發佈在外網引起了熱烈反響，深度學習三巨頭之一 Yann Lecun、新加坡國立大學副教授 Xavier Bresson 等學者都點讚並轉發。
#在接下來的文章中，作者概述了兩種主流的GNN 範式，即訊息傳遞視圖和矩陣視圖。這些範式可以幫助研究者更好地理解 GNN 的內部工作機制，而矩陣視角也是 DGL Sparse 開發的動機之一。
訊息傳遞視圖和矩陣視圖
電影《降臨》中有這麼一句話：「你所使用的語言決定了你的思考方式，並影響了你對事物的看法。」這句話也適合GNN。 
###表示圖神經網路有兩種不同的範式。第一種稱為訊息傳遞視圖，從細粒度、局部的角度表達 GNN 模型，詳細描述如何沿邊交換訊息以及節點狀態如何進行對應的更新。第二種是矩陣視角，由於圖與稀疏鄰接矩陣具有代數等價性，許多研究人員選擇從粗粒度、全局的角度來表達 GNN 模型，強調涉及稀疏鄰接矩陣和特徵向量的操作。 #####################
訊息傳遞視角揭示了 GNN 與 Weisfeiler Lehman （WL）圖同構測試之間的聯繫，後者也依賴於從鄰居聚合資訊。而矩陣視角則從代數角度來理解 GNN，引發了一些有趣的發現，例如過度平滑問題。
總之，這兩個觀點都是研究 GNN 不可或缺的工具，它們互相補充，幫助研究人員更好地理解和描述 GNN 模型的本質和特性。正是基於這個原因，DGL 1.0 發布的主要動機之一就是在現有的訊息傳遞介面基礎之上，增加矩陣視角的支援。
DGL Sparse：為圖機器學習設計的稀疏矩陣庫
DGL 1.0 版本中新增了一個名為DGL Sparse 的庫（dgl.sparse），它和DGL 中的消息傳遞介面一起，完善了對於全類型的圖神經網路模型的支援。 DGL Sparse 提供專門用於 圖機器學習的稀疏矩陣類別和操作，使得在矩陣視角下編寫 GNN 變得更加容易。在下一節中，作者示範多個 GNN 範例，展示它們在 DGL Sparse 中的數學公式和相應的程式碼實作。
圖卷積網路（Graph Convolutional Network）
GCN 是 GNN 建模的先驅之一。 GCN 可以同時用訊息傳遞視圖和矩陣視圖來表示。下面的程式碼比較了 DGL 中用這兩種方法實現的差異。
使用訊息傳遞API 實作GCN
使用DGL Sparse 實作GCN
#基於圖形擴散的GNN
圖擴散是沿邊傳播或平滑節點特徵或訊號的過程。 PageRank 等許多經典圖演算法都屬於這一類。一系列研究表明，將圖擴散與神經網路結合是增強模型預測有效且有效率的方法。下面的等式描述了其中比較有代表性的模型 APPNP 的核心計算。它可以直接在 DGL Sparse 中實現。
#超圖神經網路
超圖是圖的推廣，其中邊可以連接任意數量的節點（稱為超邊）。超圖在需要捕捉高階關係的場景中特別有用，例如電子商務平台中的共同購買行為，或引文網絡中的共同作者等。超圖的典型特徵是其稀疏的關聯矩陣，因此超圖神經網路 (HGNN) 通常使用稀疏矩陣定義。以下是超圖卷積網路（Feng et al., 2018）及其程式碼實作。
圖Transformer
###Transformer 模型已成為自然語言處理中最成功的模型架構。研究人員也開始將 Transformer 擴展到圖機器學習。 Dwivedi 等人開創性地提出將所有多頭注意力限制為圖中連接的節點對。透過 DGL Sparse 工具，只需 10 行程式碼即可輕鬆實現該模型。 ######
#DGL Sparse 的關鍵特性
##DGL Sparse 的關鍵特性
- 比較scipy.sparse 或torch.sparse 等稀疏矩陣函式庫，DGL Sparse 的整體設計是為圖機器學習服務，其中包含了以下關鍵特性：自動稀疏格式選擇
-
：DGL Sparse 的設計讓使用者不必為了選擇正確的資料結構儲存稀疏矩陣（也稱為稀疏格式）而煩惱。使用者只需要記住dgl.sparse.spmatrix 建立稀疏矩陣，而DGL 在內部則會根據呼叫的算子來自動選擇最優格式；標量或向量非零元素
：許多GNN 模型會在邊上學習多個權重（如Graph Transformer 範例中所示範的多頭注意力向量）。為了適應這種情況，DGL Sparse 允許非零元素具有向量形狀，並擴展了常見的稀疏操作，例如稀疏 - 稠密 - 矩陣乘法（SpMM）等。可以參考 Graph Transformer 範例中的 bspmm 操作。 透過利用這些設計特性，與先前使用訊息傳遞介面的矩陣視圖模型的實作相比，DGL Sparse 將程式碼長度平均降低了2.7 倍。簡化的程式碼也
使框架的開銷減少 43%
。此外DGL Sparse 與 PyTorch 相容，可輕鬆與 PyTorch 生態系統中的各種工具和套件整合。
開始使用 DGL 1.0
DGL 1.0 已經在全平台發布，並且可以使用 pip 或 conda 輕鬆安裝。除了前面介紹的範例之外，DGL Sparse 的第一個版本還包括 5 個教學和 11 個端到端範例，所有教學都可以在 Google Colab 中直接體驗，而無需本機安裝。
#########想了解更多關於 DGL 1.0 的新功能，請參考作者的發布日誌。如果您在使用 DGL 的過程中遇到任何問題或有任何建議和回饋，也可以透過 Discuss 論壇或 Slack 聯絡 DGL 團隊。 ######
以上是10行程式碼搞定圖Transformer，圖神經網路框架DGL迎來1.0版本的詳細內容。更多資訊請關注PHP中文網其他相關文章！
