亚马逊马超：如何使用DGL进行大规模图神经网络训练？

演讲嘉宾 | 马超（亚马逊应用科学家）

整理 | 刘静 

出品 | AI科技大本营（ID:rgznai100）

 

与传统基于张量（Tensor）的神经网络相比，图神经网络将图 (Graph) 作为输入，从图结构中学习潜在的知识，该方法在近些年已被证明在许多场景可以取得很好的效果。然而，使用传统的深度学习框架（比如 TensorFlow、Pytorch、MXNet）并不能方便地进行图神经网络的开发和训练，而 DGL 作为专门面向图神经网络的框架，可以很好地弥补这一缺陷。该框架在开源后于国内外引起了强烈的反响。

 

基于此，在CSDN主办的2019 AI开发者大会（AI ProCon 2019）上，亚马逊应用科学家马超，同时也是 DGL 项目的合作作者，发表了《使用 DGL 进行大规模图神经网络训练》的主题演讲。他从 API 使用、系统优化以及系统可扩展性等多个维度深入分享了 DGL 的设计思路。

 

 

以下为马超演讲全文，AI科技大本营整理（ID:rgznai100）：

 

现场大部分朋友都来自工业界，我想应该对传统的图算法了解更多，比如 PageRank 算法应该是我们学生时代学到的第一个传统图算法。但是突然之间，图神经网络算法火了起来。下面这张图是近些年 GNN 论文发表数量的情况，我们可以看到从 2016 年开始，GNN 论文发表数量呈指数上