性能基准测试

集成基准测试

DGL 持续评估其核心 API、内核以及最先进的 GNN 模型的训练速度。基准测试代码可在 主仓库 中找到。它们会在每个夜间构建版本中触发，并将结果发布到 https://asv.dgl.ai/。

v0.6 基准测试

为了理解DGL v0.6的性能提升，我们在v0.5的基准测试上重新评估了它，并针对更新的基线添加了一些新的图分类任务。结果可在一个独立的仓库中找到。

v0.5 基准测试

查看我们的论文 Deep Graph Library: 一个以图为中心的高性能图神经网络包。

v0.4.3 基准测试

速度和内存使用的微基准测试： 虽然将张量和自动梯度函数留给后端框架（例如PyTorch、MXNet和TensorFlow），DGL积极优化存储和计算，使用自己的内核。这里是与另一个流行包——PyTorch Geometric（PyG）的比较。简而言之，原始速度相似，但DGL的内存管理要好得多。

数据集	模型	准确率	时间		内存
			PyG	DGL	PyG	DGL
Cora	图卷积网络	81.31 ± 0.88	0.478	0.666	1.1	1.1
	GAT	83.98 ± 0.52	1.608	1.399	1.2	1.1
CiteSeer	图卷积网络	70.98 ± 0.68	0.490	0.674	1.1	1.1
	GAT	69.96 ± 0.53	1.606	1.399	1.3	1.1
PubMed	图卷积网络	79.00 ± 0.41	0.491	0.690	1.1	1.1
	GAT	77.65 ± 0.32	1.946	1.393	1.6	1.1
Reddit	图卷积网络	93.46 ± 0.06	内存溢出	28.6	内存溢出	11.7
Reddit-S	图卷积网络	不适用	29.12	9.44	15.7	3.6

表：200个周期的训练时间（以秒为单位）和内存消耗（GB）

以下是DGL在TensorFlow后端与其他基于TF的GNN工具的比较（一个周期的训练时间，单位为秒）：

数据集	模型	DGL	GraphNet	tf_geometric
核心	图卷积网络	0.0148	0.0152	0.0192
Reddit	图卷积网络	0.1095	内存溢出	内存溢出
PubMed	图卷积网络	0.0156	0.0553	0.0185
PPI	图卷积网络	0.09	0.16	0.21
Cora	GAT	0.0442	不适用	0.058
PPI	GAT	0.398	不适用	0.752

高内存利用率使DGL能够突破单GPU性能的极限，如下图所示。

可扩展性： DGL 充分利用了单台机器和集群中的多个 GPU 来提高训练速度，并且比替代方案具有更好的性能，如下面的图像所示。

进一步阅读: DGL与其他替代方案的详细比较可以在 [这里](https://arxiv.org/abs/1909.01315)找到。