DGL-Ascend

DGL-Ascend 是基于 Deep Graph Library（DGL）的昇腾后端适配与算子扩展项目。项目目标是在保持 DGL 上层 Python 使用方式的基础上，为图神经网络计算提供面向昇腾 NPU 的底层算子支持。

本项目主要扩展 DGL 的数组与稀疏图计算模块，在 src/array/ascend 中实现 Ascend 设备上的基础图计算算子，并通过 DGL C++ Runtime、FFI 与 Backend 抽象层对接到 Python 层，从而支持上层模型在昇腾硬件上运行。

项目架构

DGL-Ascend 在原有 DGL 架构中加入 Ascend 设备适配路径。整体架构如下：

flowchart TB
    U[用户 Python 层]

    subgraph G[DGLGraph 对象]
        S[图结构数据路径<br/>存储：CSR / CSC / COO 邻接矩阵<br/>类型：C++ 对象 NDArray]
        F[特征数据路径<br/>存储：节点 / 边特征 Tensor<br/>类型：DL 框架 Tensor]
    end

    FFI[FFI 调用]
    DLP[DLPack<br/>零拷贝数据交换]

    subgraph R[DGL C++ Runtime]
        API[DeviceAPI 抽象接口]
        NDA[NDArray]
        CPU[CPUDeviceAPI]
        CUDA[CUDADeviceAPI]
        ASC[AscendDeviceAPI]
    end

    subgraph B[Backend 抽象层]
        DM[DL 框架设备管理]
        PT[PyTorch]
        TF[TensorFlow]
        MX[MXNet]
    end

    subgraph H[硬件层]
        HC[CPU]
        HG[GPU]
        HA[昇腾]
    end

    U --> G
    G --> FFI
    FFI --> R
    G --> DLP
    DLP --> B
    API --> NDA
    NDA --> CPU
    NDA --> CUDA
    NDA --> ASC
    DM --> PT
    DM --> TF
    DM --> MX
    R --> H
    B --> H

Loading

主要功能

Ascend 相关功能主要位于：

src/array/ascend

该目录实现了 DGL 稀疏图结构和数组操作在昇腾设备上的核心算子，包括：

• CSR / COO 图结构转换与访问：coo2csr、csr_to_coo、csr_get_row、csr_get_row_nnz、csr_get_data
• CSR 子图与行切片操作：csr_slice_rows、csr_slice_matrix
• 稀疏图神经网络计算算子：spmm、bspmm、segment_reduce
• 基础数组与索引操作：index_select、binary_elewise、as_num_bits

这些算子为 DGL 在昇腾 NPU 上执行图采样、邻接访问、稀疏矩阵计算和消息聚合等操作提供基础支撑。

支持模型

DGL-Ascend 当前支持以下图学习模型或相关任务在昇腾环境中运行：

• LightGCN
• HERec
• GraphSAGE

构建与安装

运行方式参考 build.sh。在项目根目录下执行：

rm -rf build
rm -rf tensoradapter/pytorch/build
rm -rf graphbolt/build
rm -rf dgl_sparse/build
bash script/build_dgl_ascend.sh
cd python
pip install -e .

也可以直接执行：

bash build.sh

目录说明

src/array/ascend
├── *_kernel.cpp      # Ascend 设备侧 kernel 实现
└── *.cc             # DGL 数组接口与 Ascend kernel 对接

与原生 DGL 的关系

DGL-Ascend 保留 DGL 的上层编程接口和图抽象能力，在底层增加 Ascend 后端支持：

• Python 层继续使用 DGL 的图对象和模型接口；
• C++ Runtime 通过 DeviceAPI 抽象不同设备；
• Ascend 后端实现图结构操作和稀疏计算相关 kernel；
• 通过 DLPack 与深度学习框架 Tensor 进行数据交换；
• 支持在昇腾硬件上运行典型 GNN 模型。

License

本项目基于 DGL 扩展开发，遵循原 DGL 项目的 Apache License 2.0。