Deep Graph Library (DGL) 是一个 Python 包，用于在现有 DL 框架（目前支持 PyTorch、MXNet 和 TensorFlow）之上轻松实现图神经网络模型系列。它提供了对消息传递的多功能控制，通过自动批处理和高度调整的稀疏矩阵内核进行速度优化，以及多 GPU/CPU 训练以扩展到数亿个节点和边的图形。
特点：
-
一个 GPU 就绪的图形库。DGL 提供了一个强大的图形对象，它可以驻留在 CPU 或 GPU 上。它捆绑了结构数据和功能，以便更好地控制。提供了多种用于计算图形对象的函数，包括用于图形神经网络的高效且可定制的消息传递基元。
-
GNN 研究人员的模型、模块和基准。为了简化流程，DGL 收集了一组丰富的示例实现，这些示例实现了广泛主题的流行 GNN 模型。研究人员可以搜索相关模型以从中创新新想法或将其用作实验的基线。此外，DGL 提供了许多最先进的GNN 层和模块供用户构建新的模型架构。DGL是对许多标准图形深度学习基准包括最佳平台之一OGB和GNNBenchmarks。
-
易于学习和使用。DGL 为从 ML 研究人员到领域专家的各种用户提供了大量的学习资料。DGL 简介是一个120分钟的图形机器学习的基础知识之旅。用户指南介绍了更多的细节图的概念，以及训练方法。所有这些都包含 DGL 中的代码片段，这些代码片段可运行并准备好插入到自己的管道中。
-
可扩展且高效。在跨多个 GPU 或多台机器的大规模图上使用 DGL 训练模型很方便。DGL 对整个堆栈进行了广泛的优化，以减少通信、内存消耗和同步方面的开销。因此，DGL 可以轻松扩展到十亿级的图。有关与其他工具的比较，可参阅系统性能说明。
-
概述 链接预测任务也是一个长期存在的图学习问题，其目的是预测任何一对节点之间现在缺失或未来可能形成的链接。 这里仍然使用Cora数据集，在论文的引用网络中预测两篇论文之间是否存在引用关系。将其视为一个二分类问题： 图中存在的边视为positive examples 图中不存在的边，抽样出一部分视为negative examples 将positive examples和negative examp
-
DGL是如何表示一个图的 原文：How Does DGL Represent A Graph? DGL笔记1——用DGL表示图 DGL笔记2——用DGL识别节点 DGL笔记3——自己写一个GNN模型 今天我们来学习一下 DGL 是如何表示一个图的。我们会学到以下内容： 从零开始新建一个图 将节点和边特征分配给图 查询DGL图的属性 将DGL图转换为其他图 加载和保存DGL图 最简单的安装 建议安装
-
神经网络 (Neural Network) 是机器学习的一个分支，全称人工神经网络（Artificial Neural Network，缩写 ANN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。 Perceptron (感知器) 一个典型的神经网络由输入层、一个或多个隐藏层以及输出层组成，其中箭头代表着数据流动的方向，而圆圈代表激活函数（最常用的激活函数为
-
译者：bat67 最新版会在译者仓库首先同步。 可以使用torch.nn包来构建神经网络. 我们以及介绍了autograd，nn包依赖于autograd包来定义模型并对它们求导。一个nn.Module包含各个层和一个forward(input)方法，该方法返回output。 例如，下面这个神经网络可以对数字进行分类： 这是一个简单的前馈神经网络（feed-forward network）。它接受一
-
我玩神经网络。我了解卷积层、完全连接层和许多其他东西是如何工作的。我还知道什么是梯度，以及如何训练这样的网络。 框架千层面包含一个称为InverseLayer的层。 InverseLayer类通过应用要反转的层相对于其输入的偏导数，对神经网络的单层执行反转操作。 我不知道这是什么意思，或者我应该在什么时候使用这个层。或者倒置偏导数背后的想法是什么？ 非常感谢你
-
我用newff在Matlab中创建了一个用于手写数字识别的神经网络。 我只是训练它只识别0 输入层有9个神经元，隐层有5个神经元，输出层有1个神经元，共有9个输入。 我的赔率是0.1 我在Matlab中进行了测试，网络运行良好。现在我想用c语言创建这个网络，我编写了代码并复制了所有的权重和偏差（总共146个权重）。但当我将相同的输入数据输入到网络时，输出值不正确。 你们谁能给我指点路吗？ 这是我的
-
我用两个输出神经元会得到更好的结果吗？（一个激活为“是音乐”，另一个激活为“不是音乐”）。 （您可以在这里看到这方面的C++源代码：https://github.com/mcmenaminadrian/musonet--尽管在任何给定的时间，公开回购中的内容可能并不完全是我在机器上使用的内容。）
-
递归神经网络 递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），另一种是结构递归神经网络（recursive neural network）。时间递归神经网络的神经元间连接构成有向图，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。两者训练的算法不同，但属于同一算法变体（百度百科）。本节我们重点介绍时间递
-
PyTorch包含创建和实现神经网络的特殊功能。在本章中，我们将创建一个简单的神经网络，实现一个隐藏层开发单个输出单元。 我们将使用以下步骤使用PyTorch实现第一个神经网络 - 第1步 首先，需要使用以下命令导入PyTorch库 - 第2步 定义所有图层和批量大小以开始执行神经网络，如下所示 - 第3步 由于神经网络包含输入数据的组合以获得相应的输出数据，使用以下给出的相同程序 - 第4步 借
-
我正在学习神经网络和反向传播。我想我了解网络是如何工作的，在输入、输出、隐藏层、权重、偏差等方面。但是，我仍然不完全了解如何设计一个网络来适应一个问题。IE：假设我想要一个神经网络来学习如何演奏曲子，我该如何把这个问题转化为神经网络的设计呢？欢呼：）