PyG

PyG（PyTorch Geometric）是基于 PyTorch 的图神经网络（GNN）库，旨在简化在图、网格和点云等非规则结构上构建与训练深度学习模型的工作流程。它整合了大量来自学术论文的 GNN 方法、常用数据集接口以及便捷的预处理与变换工具，支持 mini-batch 训练、多 GPU 训练、torch.compile 优化以及 DataPipe 等现代 PyTorch 功能。PyG 同时提供详尽的教程、示例代码、Cheatsheet 和完整的包参考，覆盖从入门示例到高级主题（如分布式训练、内存高效聚合和层次化采样）等多方面内容。官方文档持续发布多个版本，社区活跃并在 GitHub 和 Slack 上提供支持与协作渠道。

访问网站

介绍

概述

PyG（PyTorch Geometric）是一个建立在 PyTorch 之上的图神经网络库，专注于对图结构、网格与点云等非欧式数据的深度学习研究与工程实践。它将学术界提出的各种 GNN 算法、高效的数据加载器与变换工具集合在一起，提供从数据集接口到模型构建、训练与部署的完整工作流。文档包含大量入门教程、示例笔记本以及高级主题，便于研究者与工程师快速上手与扩展。

核心能力

丰富的模型与算子: 提供来自论文的多种图卷积、注意力机制与池化算子，方便实现与比较不同 GNN 架构。
高效的数据处理与加载: 支持 mini-batch 加载、对多个小图与单一大图的处理策略、DataPipe 集成，以及常见基准数据集的简单接口。
可扩展训练与部署: 支持 多 GPU 分布式训练、torch.compile 优化、TorchScript 支持与远程后端扩展，便于在不同硬件与规模上部署 GNN 工作负载。
高级采样与内存优化: 包含层次化邻域采样、稀疏张量与内存高效聚合方法，适合大规模图学习场景。
工具链与扩展生态: 提供 transforms、explain、metrics、datasets 等模块，并通过 GitHub 与社区活跃的 Slack 提供示例、讨论与扩展插件。

入门与生态

PyG 文档涵盖安装说明、通过示例引导的快速上手、Colab 笔记本与视频教程，以及针对数据集处理、模型设计、分布式训练等的系统教程。对于工程化任务，PyG 提供 Cheatsheet 与完整的模块参考（例如 torch_geometric.nn、data、loader 等），方便查阅与集成。

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

PyG