近年来,图计算在搜索、推荐和风控等场景中获得显著的效果,但也面临超大规模异构图训练,与现有的深度学习框架Tensorflow和PyTorch结合等难题。
Galileo(伽利略)是一个图深度学习框架,具备超大规模、易使用、易扩展、高性能、双后端等优点,旨在解决超大规模图算法在工业级场景的落地难题,提供图神经网络和图嵌入等模型的训练评估及预测能力。
架构介绍
Galileo图深度学习框架采用分层设计理念,主要分为分布式图引擎、图多后端框架、图模型三层。
- 分布式高性能图引擎:采用紧凑高效的内存结构表达图数据,能够以极低内存支持超大规模异构图;基于ZeroCopy机制实现全链路调用,高性能图查询和图采样。
- 图多后端框架:支持Tensorflow和PyTorch双后端,配置化单机分布式训练,支持Keras和Estimator训练,提供统一的图查询和图采样接口,易扩展。
- 图模型:遵循数据与模型解耦,提升代码复用性;基于组件化设计,降低模型实现难度,支持Message Passing范式编写图模型,也支持Python直接访问训练后端接口,易使用且灵活性高。
开始使用
我们提供了Galileo的pip和conda包,推荐在docker镜像中使用Galileo,免去了安装依赖包的烦恼。也可以从源码编译安装Galileo。
阅读入门教程开始使用Galileo。
如果Galileo目前实现的图模型无法满足需求,可以定制化图模型。
使用自己的图数据可以参考图数据准备。
如果图数据量大,可以参考分布式训练。
想要了解更多Galileo接口参考API文档。
联系我们
欢迎通过issue和邮件组([email protected])联系我们。
LICENSE
Galileo图深度学习框架使用Apache License 2.0许可。
致谢
Galileo图深度学习框架由京东集团-京东零售-技术与数据中心荣誉出品,在此感谢京东零售算法通道的大力支持,同时感谢商业提升事业部、搜索与推荐平台部等兄弟部门在开发及使用过程中提出的宝贵意见。