[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chaitjo--efficient-gnns":3,"tool-chaitjo--efficient-gnns":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":75,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":75,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":123},8593,"chaitjo\u002Fefficient-gnns","efficient-gnns","Code and resources on scalable and efficient Graph Neural Networks (TNNLS 2023)","efficient-gnns 是一个专注于提升图神经网络（GNN）可扩展性与运行效率的开源项目，核心提供了一套基于知识蒸馏的技术方案。它主要解决了在资源受限环境下，如何训练出既轻量又能保持高精度的 GNN 模型这一难题。通过让小型的“学生”模型向大型的“教师”模型学习，该项目有效缩小了两者在性能上的差距，使得复杂模型的能力得以在低算力设备上部署。\n\n该工具特别适合从事图表示学习的研究人员、算法工程师以及需要处理大规模图数据（如分子结构、学术引用网络或社交网络）的开发者使用。其独特的技术亮点在于引入了对比学习机制的“图对比表示蒸馏”方法。与传统的仅保留局部边关系的方法不同，该技术能够同时捕捉并保留全局拓扑结构信息，从而在压缩模型体积的同时，更完整地传承教师模型的表达能力。此外，项目还集成了多种主流蒸馏策略与基准测试，支持在 MOLHIV、ARXIV 等真实世界数据集上快速复现结果，是探索高效 GNN 架构的理想起点。","# Knowledge Distillation for Resource-efficient Graph Neural Networks\n\nThis repository provides resources on Graph Neural Network efficiency and scalability, as well as implementations of knowledge distillation techniques for developing resource-efficient GNNs.\n\n![Knowledge distillation pipeline for GNNs](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaitjo_efficient-gnns_readme_8db174b225c9.png)\n\nCheck out the accompanying paper ['On Representation Knowledge Distillation for Graph Neural Networks'](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964), which introduces new GNN distillation techniques using contrastive learning to preserve the global topology of teacher and student embeddings.\n\n> Chaitanya K. Joshi, Fayao Liu, Xu Xun, Jie Lin, and Chuan Sheng Foo. On Representation Knowledge Distillation for Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems (TNNLS), *Special Issue on Deep Neural Networks for Graphs: Theory, Models, Algorithms and Applications*.\n>\n> [PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2111.04964.pdf) | [Blog](https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F)\n\n❓New to GNN scalability: See [`awesome-efficient-gnns.md`](awesome-efficient-gnns.md) and the [accompanying blogpost](https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F) for a currated overview of papers on efficient and scalable Graph Representation Learning for real-world applications.\n\n## Distillation Techniques\n\n![Representation distillation techniques for GNNs](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaitjo_efficient-gnns_readme_0dcfc84ca249.png)\n\nWe benchmark the following knowledge distillation techniques for GNNs:\n- **Local Structure Preserving loss**, [Yang et al., CVPR 2020](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.10477): preserve pairwise relationships over graph edges, but may not preserve global topology due to latent interactions. \n- **Global Structure Preserving loss**, [Joshi et al., TNNLS 2022](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964): preserve all pairwise global relationships, but computationally more cumbersome.\n- 🌟 **Graph Contrastive Representation Distillation**, [Joshi et al., TNNLS 2022](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964): contrastive learning among positive\u002Fnegative pairwise relations across the teacher and student embedding spaces.\n- 🔥 Your new GNN distillation technique?\n\nWe also include baselines: **Logit-based KD**, [Hinton et al., 2015](https:\u002F\u002Farxiv.org\u002Fabs\u002F1503.02531); and feature mimicking baselines for computer vision: **FitNet**, [Romero et al., 2014](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6550), **Attention Transfer**, [Zagoruyko and Komodakis, 2016](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.03928).\n\n## Datasets and Architectures\n\nWe conduct benchmarks on large-scale and real-world graph datasets, where the performance gap between expressive+cumbersome teacher and resource-efficient student GNNs is non-negligible:\n- **Graph classification** on `MOLHIV` from Open Graph Benchmark\u002FMoleculeNet -- GIN-E\u002FPNA teachers, GCN\u002FGIN students.\n- **Node classification** on `ARXIV` and `MAG` from Open Graph Benchmark and Microsoft Academic Graph -- GAT\u002FR-GCN teachers, GCN\u002FGraphSage\u002FSIGN students.\n- **3D point cloud segmentation** on `S3DIS` -- not released publicly yet.\n- **Node classification** on `PPI` -- provided to reproduce results from [Yang et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.10477)\n\n## Installation and Usage\n\nOur results are reported with Python 3.7, PyTorch, 1.7.1, and CUDA 11.0.\nWe used the following GPUs: RTX3090 for ARXIV\u002FMAG, V100 for MOLHIV\u002FS3DIS.\n\nUsage instructions for each dataset are provided within the corresponding directory.\n\n```sh\n# Create new conda environment\nconda create -n ogb python=3.7\nconda activate ogb\n\n# Install PyTorch (Check CUDA version!)\nconda install pytorch=1.7.1 cudatoolkit=11.0 -c pytorch\n\n# Install DGL\nconda install -c dglteam dgl-cuda11.0\n\n# Install PyG\nCUDA=cu110\npip3 install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-sparse -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-cluster -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-spline-conv -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-geometric\n\n# Install other dependencies\nconda install tqdm scikit-learn pandas urllib3 tensorboard\npip3 install ipdb, nvidia-ml-py3\n\n# Install OGB\npip3 install -U ogb\n```\n\n## Citation\n\n```\n@article{joshi2022representation,\n  title={On Representation Knowledge Distillation for Graph Neural Networks},\n  author={Chaitanya K. Joshi and Fayao Liu and Xu Xun and Jie Lin and Chuan-Sheng Foo},\n  journal={IEEE Transactions on Neural Networks and Learning Systems},\n  year={2022}\n}\n\n@article{joshi2022efficientgnns,\n  author = {Joshi, Chaitanya K.},\n  title = {Recent Advances in Efficient and Scalable Graph Neural Networks},\n  year = {2022},\n  howpublished = {\\url{https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F}},\n}\n```\n","# 面向资源高效图神经网络的知识蒸馏\n\n本仓库提供了关于图神经网络效率与可扩展性的相关资源，以及用于构建资源高效GNN的知识蒸馏技术实现。\n\n![GNN知识蒸馏流程](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaitjo_efficient-gnns_readme_8db174b225c9.png)\n\n请参阅配套论文《面向图神经网络的表征知识蒸馏》（[arXiv:2111.04964](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964)），该论文提出了一种基于对比学习的新GNN蒸馏方法，旨在保留教师模型与学生模型嵌入的全局拓扑结构。\n\n> Chaitanya K. Joshi, Fayao Liu, Xu Xun, Jie Lin, 和 Chuan Sheng Foo. 面向图神经网络的表征知识蒸馏. IEEE神经网络与学习系统汇刊（TNNLS），*图深度神经网络专题：理论、模型、算法与应用*。\n>\n> [PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2111.04964.pdf) | [博客](https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F)\n\n❓ 刚接触GNN可扩展性？请查看[`awesome-efficient-gnns.md`](awesome-efficient-gnns.md)及配套博文[高效GNN](https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F)，其中精选了有关面向实际应用的高效且可扩展图表示学习的相关论文。\n\n## 蒸馏技术\n\n![GNN表征蒸馏技术](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaitjo_efficient-gnns_readme_0dcfc84ca249.png)\n\n我们对以下GNN知识蒸馏技术进行了基准测试：\n- **局部结构保持损失**，[Yang等，CVPR 2020](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.10477)：在图边上传递成对关系，但由于潜在交互作用，可能无法保持全局拓扑。\n- **全局结构保持损失**，[Joshi等，TNNLS 2022](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964)：保留所有全局成对关系，但计算开销较大。\n- 🌟 **图对比表征蒸馏**，[Joshi等，TNNLS 2022](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.04964)：在教师和学生嵌入空间中，通过正负成对关系进行对比学习。\n- 🔥 您的新GNN蒸馏技术？\n\n我们还包含了基线方法：**基于logit的KD**，[Hinton等，2015](https:\u002F\u002Farxiv.org\u002Fabs\u002F1503.02531)；以及计算机视觉领域的特征模仿基线：**FitNet**，[Romero等，2014](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6550)，**注意力转移**，[Zagoruyko和Komodakis，2016](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.03928)。\n\n## 数据集与架构\n\n我们在大规模及真实世界图数据集上进行了基准测试，这些数据集中表达能力强但计算复杂的教师模型与资源高效的学生模型之间的性能差距不容忽视：\n- **图分类**：使用Open Graph Benchmark\u002FMoleculeNet中的`MOLHIV`数据集——GIN-E\u002FPNA作为教师模型，GCN\u002FGIN作为学生模型。\n- **节点分类**：使用Open Graph Benchmark和Microsoft Academic Graph中的`ARXIV`与`MAG`数据集——GAT\u002FR-GCN作为教师模型，GCN\u002FGraphSage\u002FSIGN作为学生模型。\n- **3D点云分割**：使用`S3DIS`数据集——尚未公开发布。\n- **节点分类**：使用`PPI`数据集——提供以复现[Yang等](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.10477)的结果。\n\n## 安装与使用\n\n我们的实验结果是在Python 3.7、PyTorch 1.7.1及CUDA 11.0环境下报告的。所使用的GPU包括：RTX3090用于`ARXIV`\u002F`MAG`，V100用于`MOLHIV`\u002F`S3DIS`。\n\n每个数据集的使用说明均在其对应目录中提供。\n\n```sh\n# 创建新的conda环境\nconda create -n ogb python=3.7\nconda activate ogb\n\n# 安装PyTorch（请确认CUDA版本！）\nconda install pytorch=1.7.1 cudatoolkit=11.0 -c pytorch\n\n# 安装DGL\nconda install -c dglteam dgl-cuda11.0\n\n# 安装PyG\nCUDA=cu110\npip3 install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-sparse -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-cluster -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-spline-conv -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-geometric\n\n# 安装其他依赖\nconda install tqdm scikit-learn pandas urllib3 tensorboard\npip3 install ipdb, nvidia-ml-py3\n\n# 安装OGB\npip3 install -U ogb\n```\n\n## 引用\n\n```\n@article{joshi2022representation,\n  title={On Representation Knowledge Distillation for Graph Neural Networks},\n  author={Chaitanya K. Joshi and Fayao Liu and Xu Xun and Jie Lin and Chuan-Sheng Foo},\n  journal={IEEE Transactions on Neural Networks and Learning Systems},\n  year={2022}\n}\n\n@article{joshi2022efficientgnns,\n  author = {Joshi, Chaitanya K.},\n  title = {高效且可扩展图神经网络的最新进展},\n  year = {2022},\n  howpublished = {\\url{https:\u002F\u002Fwww.chaitjo.com\u002Fpost\u002Fefficient-gnns\u002F}},\n}\n```","# efficient-gnns 快速上手指南\n\n本指南旨在帮助开发者快速部署并使用 **efficient-gnns**，通过知识蒸馏（Knowledge Distillation）技术构建资源高效、可扩展的图神经网络（GNN）。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n- **操作系统**: Linux (推荐) 或 macOS\n- **Python 版本**: 3.7\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡（原文测试使用 RTX3090 和 V100）\n- **CUDA 版本**: 11.0 (需与 PyTorch 版本严格匹配)\n- **前置依赖**: Conda 包管理器\n\n> **注意**：本项目对 PyTorch、CUDA 及图学习库（DGL, PyG）的版本有严格要求，建议严格按照下方步骤创建独立环境以避免冲突。\n\n## 安装步骤\n\n请依次执行以下命令来配置运行环境。\n\n### 1. 创建并激活 Conda 环境\n```sh\nconda create -n ogb python=3.7\nconda activate ogb\n```\n\n### 2. 安装 PyTorch 和 CUDA 工具包\n*注：国内用户若下载缓慢，可尝试添加 `-c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F` 等清华源参数，但需确保版本一致性。以下保持官方源命令以确保稳定性。*\n```sh\nconda install pytorch=1.7.1 cudatoolkit=11.0 -c pytorch\n```\n\n### 3. 安装 DGL (Deep Graph Library)\n```sh\nconda install -c dglteam dgl-cuda11.0\n```\n\n### 4. 安装 PyTorch Geometric (PyG) 及其依赖\n设置环境变量并安装预编译轮文件：\n```sh\nexport CUDA=cu110\npip3 install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-sparse -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-cluster -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-spline-conv -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.7.1+${CUDA}.html\npip3 install torch-geometric\n```\n\n### 5. 安装其他通用依赖\n```sh\nconda install tqdm scikit-learn pandas urllib3 tensorboard\npip3 install ipdb nvidia-ml-py3\n```\n\n### 6. 安装 OGB (Open Graph Benchmark)\n```sh\npip3 install -U ogb\n```\n\n### 7. 获取项目代码\n克隆仓库并进入对应数据集目录（以 ARXIV 为例）：\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fefficient-gnns.git\ncd efficient-gnns\n# 具体数据集的运行脚本位于对应的子目录中，例如：\n# cd experiments\u002Farxiv\n```\n\n## 基本使用\n\n本项目针对不同数据集提供了独立的实验脚本。核心流程是通过定义“教师模型”（高精度但计算量大）和“学生模型”（轻量级），利用知识蒸馏损失函数进行训练。\n\n以下以 **ARXIV** 数据集上的节点分类任务为例，展示最基础的使用逻辑：\n\n1. **查看具体运行指令**：\n   进入对应的数据集目录（如 `experiments\u002Farxiv`），查阅该目录下的 `README.md` 或脚本文件，通常包含具体的训练命令。\n\n2. **典型训练命令结构**：\n   虽然具体参数因实验而异，但一般运行模式如下（请在对应目录下执行）：\n   ```sh\n   python main.py --dataset arxiv --teacher gat --student gcn --distill_method gcrd\n   ```\n   *参数说明：*\n   - `--distill_method`: 选择蒸馏方法，可选值包括：\n     - `gcrd`: Graph Contrastive Representation Distillation (推荐，保留全局拓扑)\n     - `global`: Global Structure Preserving loss\n     - `local`: Local Structure Preserving loss\n     - `logit`: 传统的 Logit-based KD\n   - `--teacher` \u002F `--student`: 指定教师和学生架构（如 GAT, GCN, GraphSage 等）。\n\n3. **验证结果**：\n   训练完成后，脚本会自动输出学生模型在验证集\u002F测试集上的准确率，并与基线模型进行对比。日志和 TensorBoard 可视化文件通常保存在 `runs\u002F` 或类似目录中。\n\n> **提示**：对于 `MOLHIV`、`MAG` 等其他数据集，请进入相应的子目录参考其特定的启动脚本。3D 点云分割 (`S3DIS`) 的数据集目前尚未公开。","某生物制药公司的算法团队正致力于构建一个能在边缘设备上实时运行的分子性质预测系统，以辅助新药筛选。\n\n### 没有 efficient-gnns 时\n- **模型过于臃肿**：为了捕捉复杂的分子拓扑结构，团队不得不使用参数量巨大的 GIN 或 PNA 作为教师模型，导致无法部署到内存受限的移动检测终端。\n- **全局结构丢失**：尝试直接训练轻量级学生模型（如 GCN）时，由于缺乏有效的蒸馏策略，模型只能学习局部边关系，严重忽略了分子整体的全局拓扑特征，预测准确率大幅下降。\n- **推理延迟过高**：在大规模分子数据库（如 MOLHIV）上进行批量推理时，复杂模型的计算开销巨大，无法满足药物筛选对毫秒级响应的需求。\n- **调优成本高昂**：缺乏针对图神经网络的专用蒸馏基准，团队需手动摸索如何平衡“轻量化”与“表达能力”，反复试错消耗了大量算力资源。\n\n### 使用 efficient-gnns 后\n- **实现极致轻量化**：利用 efficient-gnns 提供的知识蒸馏流水线，成功将大型教师模型的知识迁移至轻量级学生模型，在保持精度的同时将模型体积压缩了数倍，完美适配边缘设备。\n- **保留全局拓扑信息**：通过其核心的“图对比表示蒸馏”技术，学生模型不仅能学习局部结构，还能通过对比学习有效保留教师模型嵌入空间中的全局成对关系，显著提升了泛化能力。\n- **推理速度飞跃**：部署后的轻量模型在同等硬件下推理速度提升明显，使得在大规模数据集上进行实时分子筛选成为可能，大幅缩短了研发周期。\n- **复用成熟基准**：直接套用工具中预置的针对 MOLHIV 等数据集的基准配置和损失函数（如全局结构保持损失），避免了从零造轮子，让团队能专注于业务逻辑而非底层算法调试。\n\nefficient-gnns 通过先进的对比学习蒸馏技术，成功打破了图神经网络在“高性能”与“低资源消耗”之间的壁垒，让复杂图模型真正落地于实际生产环境。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaitjo_efficient-gnns_104d701f.png","chaitjo","Chaitanya Joshi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchaitjo_0bc5db47.png",null,"University of Cambridge","Cambridge, UK","chaitjo.github.io","https:\u002F\u002Fgithub.com\u002Fchaitjo",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",81.1,{"name":86,"color":87,"percentage":88},"Shell","#89e051",18.9,538,64,"2026-04-10T04:56:22",4,"未说明","需要 NVIDIA GPU，文中测试使用了 RTX3090 (用于 ARXIV\u002FMAG 数据集) 和 V100 (用于 MOLHIV\u002FS3DIS 数据集)，需支持 CUDA 11.0",{"notes":96,"python":97,"dependencies":98},"该项目主要关注图神经网络的知识蒸馏。安装时需严格匹配 PyTorch 1.7.1 与 CUDA 11.0 版本，并通过特定 URL 安装 PyG 相关组件（如 torch-scatter 等）。不同数据集（如 ARXIV, MAG, MOLHIV）对显卡型号有不同推荐。部分实验数据（如 S3DIS）尚未公开。","3.7",[99,100,101,102,103,104,105,106,107,108],"torch==1.7.1","cudatoolkit==11.0","dgl-cuda11.0","torch-geometric","torch-scatter","torch-sparse","torch-cluster","torch-spline-conv","ogb","scikit-learn",[14],[111,112,113,114,115,116,117,118,119],"graph-neural-networks","graph-representation-learning","graph-convolutional-networks","gnn","efficient-deep-learning","efficient-neural-networks","scalable-deep-learning","contrastive-learning","knowledge-distillation","2026-03-27T02:49:30.150509","2026-04-18T02:20:44.242248",[],[]]