DGL

Deep Graph Library（通常简称 DGL）是一个面向图神经网络（GNN）的开源深度学习库，旨在简化图数据上的深度学习建模与训练流程。它支持多种深度学习框架（如 PyTorch、TensorFlow、Apache MXNet），提供高效的消息传递原语以加速 GNN 训练，并通过多 GPU 与分布式训练机制扩展到超大规模图。DGL 拥有丰富的生态与示例项目（如 DGL-KE、DGL-LifeSci），包括教程、博客、论坛和 Slack 社区，方便用户快速上手与交流。此外，DGL 不断发布新版（例如 DGL 1.0、2.0、2.1），持续改进数据加载、GraphBolt 数据流水线的 GPU 加速与 BFloat16 CPU 加速等性能优化，使其适用于科研与工业级应用场景。

访问网站

介绍

概述

Deep Graph Library（DGL）是一个专注于图神经网络（GNN）的开源库，目标是为研究者和工程师提供简洁的 API与高性能的底层实现，以便在各种图学习任务上快速开发、调试和部署模型。DGL 强调框架无关性，可与 PyTorch、TensorFlow 和 Apache MXNet 等主流深度学习框架配合使用，同时兼顾单机多 GPU 与分布式训练能力，适配从小规模实验到工业级大图的不同需求。

核心能力

框架无关性: 支持 PyTorch、TensorFlow 和 MXNet，允许用户在熟悉的深度学习生态中构建 GNN 模型。
高效可扩展的消息传递原语: 提供优化的消息传递与聚合算子，关注内存效率与计算性能，适合密集或稀疏图计算。
多 GPU 与分布式训练支持: 内置并行化与分布式基础设施，能在大型图数据上进行加速训练，降低训练时间与资源瓶颈。
先进的数据流水线（GraphBolt）与数据加载优化: 在 DGL 2.x 系列中引入对 GraphBolt 的 GPU 加速、图采样与特征获取加速，同时支持 BFloat16 在 CPU 上的训练加速，提升整体数据通路效率。
丰富的生态系统与示例: 包含领域专用项目（如 DGL-KE、DGL-LifeSci）、大量教程、示例代码与论文实现，覆盖知识图谱、分子属性预测、推荐系统、时空图建模等场景。

社区与资源

DGL 拥有活跃的社区支持：官方文档、教程、博客、论坛、Slack 频道和 GitHub 仓库为用户提供了学习材料、问题交流与贡献渠道。官方还定期发布版本更新（如 DGL 1.0、2.0、2.1），并在博客中介绍诸如 BFloat16 加速、GPU 加速数据流水线等重要性能改进。

更多产品

Intel

平台工程 MLOps 工程机器学习

Intel 是全球领先的半导体和计算解决方案提供商，致力于通过处理器、图形与人工智能技术推动个人计算和数据中心发展。其主页展示了面向消费者与企业的多条产品线，包括面向 AI 的 **Intel® Core™ Ultra**、面向数据中心的 **Intel® Xeon® 6** 处理器以及面向图形与边缘 AI 的 **Intel® Arc™ Graphics**。Intel 强调性能提升、电池寿命优化、AI 加速和生态系统合作，同时提供新闻、开发者资源、下载与技术支持，连接硬件、软件与合作伙伴生态，推动从原型到全球规模化的创新。

人工智能云计算基础设施图形机器学习

MIT xPRO

企业学习与发展机器学习高管人工智能素养

MIT xPRO 是麻省理工学院面向职业人士和企业提供的在线继续教育品牌，聚焦将前沿技术能力与领导力素养相结合，帮助个人和团队应对快速变化的行业挑战。平台提供短期课程与系统化项目式课程（如生成式AI、部署AI、系统工程、机器学习与量子计算等），课程形式强调**实操模拟、案例驱动**与**在职应用**，并由 MIT 教师与行业专家参与教学。完成课程可获得 MIT xPRO 的专业证书与继续教育学分（CEUs），同时支持企业定制化培训与团体学习，便于在组织内部推广一致的知识体系与技能标准。

人工智能生成式 AI 机器学习培训企业

Connected Papers

图分析数据可视化研究助理

Connected Papers 是一个面向学术研究者的可视化文献探索工具，用户通过输入论文标识（如 DOI、arXiv ID、论文 URL 或标题）即可生成一张以该论文为中心的相似论文关系图。它利用 Semantic Scholar 的论文数据库，展示**先行作品（Prior Works）**与**衍生作品（Derivative Works）**，帮助用户快速识别领域内的重要文献和研究脉络。平台适用于文献综述、构建毕业论文参考文献以及发现近期重要成果，还提供示例图谱、订阅邮件列表和基础定价信息，支持跨学科的学术发现与可视化分析。

学术研究可视化搜索工具

DGL