圖深度學習是當前深度學習領域最熱門的方向之一，圖神經(jīng)網(wǎng)絡（GNN）不僅在理論上有所創(chuàng)新，在工業(yè)界中也真實的應用。本文介紹 Github 上熱門的圖神經(jīng)網(wǎng)絡源碼及框架，方便研究人員和工程師上手圖深度學習。

近兩年來，圖卷積、圖注意力網(wǎng)絡等圖神經(jīng)網(wǎng)絡在學術界、工業(yè)界都有廣泛的應用。雖然大多數(shù)圖神經(jīng)網(wǎng)絡理論包含復雜的公式推導，但最終產(chǎn)出的網(wǎng)絡結構（公式）缺一般比較簡單，但這并不意味著圖神經(jīng)網(wǎng)絡的實現(xiàn)會很簡單。

導致圖神經(jīng)網(wǎng)絡實現(xiàn)復雜的原因主要有以下幾個：

以圖卷積網(wǎng)絡為例，它的原版依賴完整鄰接矩陣和全部節(jié)點作為輸入，對內(nèi)存、顯存和計算效率都造成了限制。好在目前有一些理論如 FaskGCN 可以通過 mini-batch 等方式來進行數(shù)據(jù)切分從而解決這個問題。

雖然利用稀疏矩陣可以一定程度上緩解上述問題，但依然不能處理大規(guī)模的數(shù)據(jù)。另外，由于多層網(wǎng)絡結構的復雜，一般在實現(xiàn)時要同時實現(xiàn)稀疏版和非稀疏版的組件。

對圖結構數(shù)據(jù)的預處理比較麻煩。例如在處理異構網(wǎng)絡時，有時需要對每種類型的節(jié)點進行獨立地編號、為每種關系獨立建立子圖等，才能將圖數(shù)據(jù)轉(zhuǎn)換為深度學習模型可用的數(shù)值化數(shù)據(jù)，并且任何一個細節(jié)可能都會影響算法的效率（如鄰節(jié)點列表的數(shù)據(jù)結構使用 list 和 set 會導致不同的采樣效率和查詢效率）。

需要一些基于圖的額外操作，例如 Random Walk、有類型約束的 Random Walk（Meta-path）等，由于圖結構的復雜性，這些操作在單機上的實現(xiàn)都比較費力，更不用說在大規(guī)模分布式上。

圖深度學習研究者和工業(yè)界在 Github 上開源了一些優(yōu)秀的圖神經(jīng)網(wǎng)絡的實現(xiàn)其框架，都從一定程度上去解決了上述的問題，非常值得我們借鑒。下面我們列出一些優(yōu)秀的 Github 倉庫：

DeepWalk / LINE

鏈接：

DeepWalk: https://github.com/phanein/deepwalk

LINE: https://github.com/tangjianpku/LINE

簡介：

雖然 DeepWalk 和 LINE 屬于網(wǎng)絡表示學習中的算法，與現(xiàn)在端到端的圖神經(jīng)網(wǎng)絡有一定的區(qū)別，但目前一些圖神經(jīng)網(wǎng)絡應用（如社交網(wǎng)絡、引用網(wǎng)絡節(jié)點分類）依然使用 DeepWalk/LINE 來作為預訓練算法，無監(jiān)督地為節(jié)點獲得初始特征表示。另外，DeepWalk 項目中的 Random Walk 也可以被直接拿來用作圖神經(jīng)網(wǎng)絡的數(shù)據(jù)采樣操作。

圖卷積網(wǎng)絡 GCN TensorFlow/PyTorch 版

鏈接：

TensorFlow:https://github.com/tkipf/gcn

PyTorch:https://github.com/tkipf/pygcn

簡介：

GCN 論文作者提供的源碼，該源碼提供了大量關于稀疏矩陣的代碼。例如如何構建稀疏的變換矩陣（這部分代碼被其他許多項目復用）、如何將稀疏 CSR 矩陣變換為 TensorFlow/PyTorch 的稀疏 Tensor，以及如何構建兼容稀疏和非稀疏的全連接層等，幾乎是圖神經(jīng)網(wǎng)絡必讀的源碼之一了。

快速圖卷積網(wǎng)絡 FastGCN TensorFlow 版

鏈接：

https://github.com/matenure/FastGCN

簡介：

FastGCN 作者提供的源碼，基于采樣的方式構建 mini-match 來訓練 GCN，解決了 GCN 不能處理大規(guī)模數(shù)據(jù)的問題。

圖注意力網(wǎng)絡 GAT TensorFlow 版

鏈接：

https://github.com/PetarV-/GAT

簡介：

GAT 論文作者提供的源碼。源碼中關于 mask 的實現(xiàn)、以及稀疏版 GAT 的實現(xiàn)值得借鑒。

Mini-batch 版圖注意力網(wǎng)絡 DeepInf

鏈接：

https://github.com/xptree/DeepInf

簡介：

DeepInf 論文其實是 GAT 的一個應用，但其基于 Random Walk 采樣子圖構建 mini-batch 的方法解決了 GAT 在大規(guī)模網(wǎng)絡上應用的問題。

DeepMind 開源的圖神經(jīng)網(wǎng)絡框架Graph Nets

鏈接：

https://github.com/deepmind/graph_nets

簡介：

基于 TensorFlow 和 Sonnet。上面的項目更側(cè)重于節(jié)點特征的計算，而 graph_nets 同時包含節(jié)點和邊的計算，可用于一些高級任務，如最短路徑、物理場景模擬等。

工業(yè)級分布式圖神經(jīng)網(wǎng)絡框架 Euler

鏈接：

https://github.com/alibaba/euler

簡介：

Euler 是阿里巴巴開源的大規(guī)模分布式的圖學習框架，配合 TensorFlow 或者阿里開源的 XDL 等深度學習工具，它支持用戶在數(shù)十億點數(shù)百億邊的復雜異構圖上進行模型訓練。