神经网络算法代码_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升趋势。

什么是图神经网络？ 图神经网络在近年来的发展有目共睹。我们发现，光是去年的 ICML 上有近 50 篇论文都在讲图神经网络。而今年的 KDD 和 NeurIPS 上也有非常多有意思的图神经网络研究。所以我们要问的第一个问题是：为什么要在图上做深度学习？这个问题其实很好回答：因为现实生活中很大一部分数据都可能是图数据，而不是传统深度学习算法里的欧几里得(Euclid)结构数据。 相比之下，我们做语音、图像这类任务，输入数据都是规整的张量，例如图像中的像素一个个排列下来。