2021-07-13补充

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/

DGL_Chinese_Manual（DGL中文文档）

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

Written in the front

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...).

User Guide

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

1. 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
   
2. 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
   
3. 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
   
4. 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
   
5. 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
   
6. 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
   
7. 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
   

Model Tutorials

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

1. 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
   
2. 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
   
3. 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
   
4. 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
   
5. 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
   
6. 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
   
7. 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
   
8. 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