推荐一篇ICML 2021的GNN最新进展:如何在单块GPU上训练1000层GNN!
![](https://i-blog.csdnimg.cn/blog_migrate/c7eb5d7e5010c3a90efd4ceb5078eb13.jpeg)
论文链接:https://arxiv.org/pdf/2106.07476.pdf
GNN的高运算量极大的限制了其实际应用。为了解决这个问题,先前的工作主要集中在子图/邻居采样上,以mini-batch的形式来进行训练。
与上述工作不同,本文从另一个角度设计了 RevGNN-Deep (1001 层 with 80 channels each) 和 RevGNN-Wide (448 层 with 224 channels each),这是目前最深的GNN,且可以在单块GPU上训练!
在ogbn-proteins数据集上,RevGNN的ROC-AUC也高达87.74 ± 0.13 和 88.14 ± 0.15。效果极佳。关于OGB信息,可以参考下面的链接。
下图展示了不同GNN的显存消耗 v.s. 效果。左上角的模型显存消耗少且表现更佳。RevGNN-Wide在单块11GB显卡上即可达到88%+的效果。
![](https://i-blog.csdnimg.cn/blog_migrate/9cf469444a76adc1d01fab6eede50879.jpeg)
下图展示了不同GNN的显存消耗 v.s. 层数。随着层数的增加,RevGNN的显存消耗基本不变。1001层的RevGNN仍然可以放在单块GPU显卡上。
![](https://i-blog.csdnimg.cn/blog_migrate/6f0bc2634fe6ff43454dcf0b2a4ef6a9.jpeg)