2020年9月，DGL社区的一群热心贡献者把DGL用户指南译成了中文，方便广大中文用户群学习和使用DGL，这里贴下他们的地址:
https://docs.dgl.ai/en/0.6.x/api/python/
This is the unofficial Chinese manual of the graph neural network library DGL, contains the User Guide and Model Tutorials.
Based on DGL English document：https://docs.dgl.ai/index.html
I uploaded the word version and the pdf version at the same time, you can use it at will. But I hope you can point out the source when you use it. After all, translation is not easy (although I use a translation tool...).
For each section, I have made a more detailed division according to the title. The main translation tools are Youdao Translate tools and Google Translate tools. When I feel that one of the translation tools is not working well, I will compare it with the other translation tool. Due to my limited ability, there may be problems in the translation process, please point out.
Next is the relevant directory:
目录
begin 安装 4
使用conda安装 4
使用pip安装 4
使用源安装 4
设置默认的Backend 4
- 图 4
1.1 关于图的一些基本定义 4
1.2 图、节点和边 5
1.3 节点和边特征 6
1.4 从外部来源创建图 7
---1.4.1 从外部库创建 7
---1.4.2 从磁盘创建 8
1.5 异构图 9
---1.5.1 创建一个异构图 9
---1.5.2 处理多种类型 11
---1.5.3 从磁盘建立异构图 12
---1.5.4 边类型子图 12
---1.5.5 将异构图转换为同构图 13
1.6 在GPU上使用DGLGraph 14 - 消息传递 15
2.1 消息传递案例 15
2.2 内置功函数和消息传递APIs 15
2.3 编写有效的消息传递代码 17
2.4 在图的一部分上应用消息传递 18
2.5 在消息传递中使用边权重 18
2.6 在异构图中的消息传递 18 - 建立GNN模块 19
3.1 DGL中NN Module的构造函数 19
3.2 GDL中NN Module前向函数 20
---3.2.1 图检查和图类型规范化 21
---3.2.2 消息传递和归约 22
---3.2.3 归约得到输出后更新特征 22
3.3 异构GraphConv模块 23
---3.3.1 HeteroGraphConv实现逻 23 - 图数据管道 24
4.1 DGLDataset类 24
4.2 下载原始数据（可选） 27
4.3 处理数据 28
---4.3.1 处理图分类数据集 28
---4.3.2 处理节点分类数据集 30
---4.3.3 处理链接预测数据集 31
4.4 保存和加载数据 33
4.5 使用ogb包加载OGB数据集 34 - 训练图神经网络 35
总览 35
异构图 35
5.1 节点分类/回归 36
---5.1.1 总览 37
---5.1.2 编写神经网络模型 37
---5.1.3 训练循环 37
---5.1.4 异构图 38
5.2 边分类/回归 40
---5.2.1 总览 40
---5.2.2 模型实现和节点分类的区别 40
---5.2.3 训练循环 41
---5.2.4 异构图 42
---5.2.5 预测异构图上现有边的边类型 43
5.3 链接预测 45
---5.3.1 总览 45
---5.3.2 与边分类模型实现的区别 45
---5.3.3 训练循环 45
5.4 图分类 46
---5.4.1 总览 46
---5.4.2 图批量 47
---5.4.3 图读出 48
---5.4.4 编写神经网络模型 48
---5.4.5 训练循环 49
---5.4.6 异构图 50 - 大图的随机训练 51
6.1 通过邻域采样训练GNN以进行节点分类 52
---6.1.1 定义邻域采样器和数据加载器 52
---6.1.2 为minibatch训练调整你的模型 53
---6.1.3 训练循环 53
---6.1.4 对于异构图 54
6.2 训练利用邻域采样进行边分类的GNN 55
---6.2.1 定义邻域采样器和数据加载器 55
---6.2.2 从原始图中移除minibatch中的边以进行邻域采样 56
---6.2.3 调整模型以进行minibatch训练 56
---6.2.4 训练循环 57
---6.2.5 对于异构图 58
6.3 通过邻域采样训练GNN进行链路预测 60
---6.3.1 使用负采样定义邻域采样器和数据加载器 60
---6.3.2 调整模型以进行minibatch训练 61
---6.3.3 训练循环 62
---6.3.4 对于异构图 62
6.4 自定义领域采样器 64
---6.4.1 用pencil and paper进行邻域采样 65
---6.4.2 查找消息传递依赖项 65
---6.4.3 多层minibatch消息传递的双向结构 67
---6.4.4 块在异构图上工作 68
---6.4.5 实现自定义邻域采样器 69
---6.4.6 为异构图生成边界 71
6.5 实现自定义GNN模块进行minibatch训练 71
---6.5.1 异构图 72
---6.5.2 编写可用于同构图，二部图和块的模块 74
6.6 对大型图进行精确离线推断 74
---6.6.1 实现离线推理 75 - 分布式训练 76
7.1 分布式训练的预处理 78
---7.1.1 负载均衡 79
7.2 分布式APIs 79
---7.2.1 DGL分布式模块的初始化 79
---7.2.2 分布式图 80
---7.2.3 分布式张量 81
---7.2.4 分布式嵌入 81
---7.2.5 分布式采样 82
---7.2.6 分割工作量 83
7.3 用于启动分布式训练/推理的工具 83
I have completed the translation of Model Tutorials.Since many pictures in the official documents are invalid,
so I marked the invalid places. In this document, you will find that in some places I directly use the original English text,
because the meaning of the original sentence may be clearer. Since I am a bit lazy, I will directly use
https://blog.csdn.net/weixin_45613751/
to take screenshots of some complex formulas.
Next is the relevant directory:
目录
- 总览 2
--1.1 神经网络和它的变体 2
--1.2 批处理很多小图 2
--1.3 生成模型 2
--1.4 从图角度重新审视经典模型 3 - 图卷积网络 3
--2.1 模型总览 3
----2.1.1 从消息传递的角度看GCN 3
----2.1.2 用DGL实现GCN 3
----2.1.3 GCN中的公式 8
--2.2 关系图卷积网络 8
----2.2.1 R-GCN简介 9
----2.2.2 R-GCN的关键思想 9
----2.2.3 在DGL中实现R-GCN 10
----2.2.4 第二项任务：链接预测 16 - 线性图神经网络 16
--3.1 使用Cora数据集进行监督的社区检测任务 17
----3.1.1 社区检测 17
----3.1.2 Cora数据集 17
----3.1.3 来自Cora的二元社区子图和测试数据集 18
----3.1.4 在有监督的环境中进行社区检测 19
--3.2 线性图神经网络的关键思想 20
----3.2.1 什么是线性图？ 20
----3.2.2 LGNN中的一层，算法结构 20
--3.3 在DGL中实现LGNN 21
----3.3.1 实现prev和deg作为张量操作 22
----3.3.2 在DGL中将radiusradius实现为消息传递 22
----3.3.3 实现fuse为稀疏矩阵乘法实 22
----3.3.4 完成f(x, y) 23
----3.3.5 将LGNN抽象链接为LGNN层 24
----3.3.6 链接LGNN层 24
--3.4 训练与推断 25
--3.5 可视化训练进程 26
--3.6 批处理并行图 27 - 图注意力网络 28
--4.1 将注意力引入到GCN 28
--4.2 在DGL中的GAT 30
----4.2.1 公式（1） 31
----4.2.2 公式（2） 31
----4.2.3 公式（3）和（4） 32
----4.2.4 多头注意力 32
----4.2.5 将所有放在一起 33
--4.3 可视化和理解所学注意力 36
--4.4 蛋白质相互作用（PPI）网络 38
--4.5 下一个是什么？ 41 - DGL中的Tree-LSTM 41
--5.1 任务和数据集 41
--5.2 步骤1：批量化 43
--5.3 步骤2：具有消息传递API的Tree-LSTM单元 44
--5.4 步骤3：定义遍历 45
--5.5 把它们放在一起 47
--5.6 主循环 48 - 图生成模型 50
--6.1 介绍 51
--6.2 DGMG：主要流程 51
--6.3 DGMG：优化目标 53
--6.4 GMG：实现 54
----6.4.1 DGMG类 54
----6.4.2 编码动态图 55
----6.4.3 动作 58
----6.4.4 将它们放在一起 62 - 胶囊网络 65
--7.1 胶囊的主要思想 65
--7.2 模型实现 65
----7.2.1 步骤1：设定和图初始化 65
----7.2.2 步骤2：定义消息传递功能 66
----7.2.3 步骤3：测试 67 - Transformer 69
--8.1 Transformer中的注意力层 70
--8.2 多头注意力机制 70
--8.3 DGL如何通过图神经网络实现Transformer 71
----8.3.1 图结构 71
----8.3.2 消息传递 71
----8.3.3 预处理和后处理 74
--8.4 Transformer graph的主要类 75
--8.5 训练 77
----8.5.1 任务和数据集 77
----8.5.2 构造图 78
--8.6 将它们放在一起 79
--8.7 可视化 80
----8.7.1 多头注意力 81
8.8 自适应通用Transformer 81
You can also find some other Chinese materials in the following places:
https://blog.csdn.net/weixin_45613751/
https://www.yuque.com/mamudechengxuyuan/od99k2/in0pv9