Github熱門圖深度學習源碼與框架
新智元推薦
來源：專知(ID: Quan_Zhuanzhi)
【新智元導讀】圖深度學習是當前深度學習領域最熱門的方向之一，圖神經網路（GNN）不僅在理論上有所創新，在工業界中也真實的應用。本文介紹 Github 上熱門的圖神經網路源碼及框架，方便研究人員和工程師上手圖深度學習。
近兩年來，圖卷積、圖注意力網路等圖神經網路在學術界、工業界都有廣泛的應用。雖然大多數圖神經網路理論包含複雜的公式推導，但最終產出的網路結構（公式）缺一般比較簡單，但這並不意味著圖神經網路的實現會很簡單。
導致圖神經網路實現複雜的原因主要有以下幾個：
以圖卷積網路為例，它的原版依賴完整鄰接矩陣和全部節點作為輸入，對內存、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 等方式來進行數據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模的數據。另外，由於多層網路結構的複雜，一般在實現時要同時實現稀疏版和非稀疏版的組件。
對圖結構數據的預處理比較麻煩。例如在處理異構網路時，有時需要對每種類型的節點進行獨立地編號、為每種關係獨立建立子圖等，才能將圖數據轉換為深度學習模型可用的數值化數據，並且任何一個細節可能都會影響演算法的效率（如鄰節點列表的數據結構使用 list 和 set 會導致不同的採樣效率和查詢效率）。
需要一些基於圖的額外操作，例如 Random Walk、有類型約束的 Random Walk（Meta-path）等，由於圖結構的複雜性，這些操作在單機上的實現都比較費力，更不用說在大規模分散式上。
圖深度學習研究者和工業界在 Github 上開源了一些優秀的圖神經網路的實現其框架，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 屬於網路表示學習中的演算法，與現在端到端的圖神經網路有一定的區別，但目前一些圖神經網路應用（如社交網路、引用網路節點分類）依然使用 DeepWalk/LINE 來作為預訓練演算法，無監督地為節點獲得初始特徵表示。另外，DeepWalk 項目中的 Random Walk 也可以被直接拿來用作圖神經網路的數據採樣操作。
圖卷積網路 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於稀疏矩陣的代碼。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，幾乎是圖神經網路必讀的源碼之一了。
快速圖卷積網路 FastGCN TensorFlow 版
鏈接：
https://github.com/matenure/FastGCN
簡介：
FastGCN 作者提供的源碼，基於採樣的方式構建 mini-match 來訓練 GCN，解決了 GCN 不能處理大規模數據的問題。
圖注意力網路 GAT TensorFlow 版
鏈接：
https://github.com/PetarV-/GAT
簡介：
GAT 論文作者提供的源碼。源碼中關於 mask 的實現、以及稀疏版 GAT 的實現值得借鑒。
Mini-batch 版圖注意力網路 DeepInf
鏈接：
https://github.com/xptree/DeepInf
簡介：
DeepInf 論文其實是 GAT 的一個應用，但其基於 Random Walk 採樣子圖構建 mini-batch 的方法解決了 GAT 在大規模網路上應用的問題。
DeepMind 開源的圖神經網路框架 Graph Nets
鏈接：
https://github.com/deepmind/graph_nets
簡介：
基於 TensorFlow 和 Sonnet。上面的項目更側重於節點特徵的計算，而 graph_nets 同時包含節點和邊的計算，可用於一些高級任務，如最短路徑、物理場景模擬等。
工業級分散式圖神經網路框架 Euler
鏈接：
https://github.com/alibaba/euler
簡介：
Euler 是阿里巴巴開源的大規模分散式的圖學習框架，配合 TensorFlow 或者阿里開源的 XDL 等深度學習工具，它支持用戶在數十億點數百億邊的複雜異構圖上進行模型訓練。
（本文轉載自專知，ID：Quan_Zhuanzhi）
TAG:新智元 |