![](https://neurohive.io/wp-content/uploads/2020/12/687474703a2f2f646174612e64676c2e61692f61737365742f696d6167652f44474c2d417263682e706e67.png)
DGL — это простая в использовании, высокопроизоводительная и масштабируемая библиотека на Python для обучения нейросетевых моделей на графах. DGL является независимой от фреймворков. Если нейросетевая модель на графах является компонентом end-to-end приложения, остальная часть логики может быть имплементирована на любом из фреймворков глубокого обучения: PyTorch, Apache MXNet или TensorFlow.
Сравнение производительности библиотек для DL на графах
Операции на тензорах и autograd оставются на бэкенд фреймворках, в то время как DGL оптимизирует хранение и вычисление с помощью собственных ядер. Ниже — сравнение с альтернативной библиотекой для глубокого обучения на графах PyTorch Geometric (PyG). Скорость у библиотек схожа, однако DGL более эффективно управляет памятью.
![](https://neurohive.io/wp-content/uploads/2020/12/Snimok-ekrana-2020-12-02-v-1.12.45-PM-570x312.png)