RAPIDS cuGraph是一个monorepo，代表了一组专注于GPU加速图分析的包，包括对属性图、远程（图作为服务）操作和图神经网络（GNN）的支持。cuGraph支持创建和操作图，然后执行可扩展的快速图算法。

新闻

新功能！ nx-cugraph，一个为NetworkX提供GPU加速后端的库，无需修改代码即可实现。

> pip install nx-cugraph-cu11 --extra-index-url https://pypi.nvidia.com
> export NETWORKX_AUTOMATIC_BACKENDS=cugraph

这就完了。现在NetworkX利用cuGraph进行加速图算法。

目录

• 安装
  • 获取cuGraph软件包
  • 从源代码构建
  • 为cuGraph做出贡献
• 一般信息
  • 最新动态
  • 当前算法列表
  • 博客和演示
  • 性能
• 软件包
  • cuGraph Python
    • 属性图
    • 外部数据类型
  • pylibcugraph
  • libcugraph (C/C++/CUDA)
  • nx-cugraph
  • cugraph-service
  • cugraph-dgl
  • cugraph-ops
• API文档
  • Python
    • Python Nightly
    • Python Stable
  • C++
    • C++ Nightly
    • C++ Stable
• 参考文献
  • RAPIDS
  • ARROW
  • DASK

RAPIDS cuGraph是一个包含GPU加速图算法和服务的集合。在Python层，cuGraph在GPU DataFrames上运行，从而允许在cuDF中的ETL任务和cuML中的机器学习任务之间无缝传递数据。熟悉Python的数据科学家可以快速掌握如何将cuGraph与cuDF类似Pandas的API集成。同样，熟悉NetworkX的用户也会很快识别出cuGraph中提供的类似NetworkX的API，目标是使现有代码以最小的努力移植到RAPIDS。为了简化集成，cuGraph还支持Pandas DataFrame、NetworkX Graph Objects和其他几种格式中的数据。

虽然高级的cuGraph Python API为数据科学家提供了一个易于使用且熟悉的界面，与其他RAPIDS库的工作流程保持一致，但某些用例需要访问更底层的图论概念。对于这些用户，我们提供了一个额外的Python API，称为pylibcugraph，旨在为需要与cuGraph在Python层更紧密集成的应用程序提供，同时依赖项更少。熟悉C/C++/CUDA和图结构的用户可以通过libcugraph和libcugraph_c访问低级集成。

注意：要确保您处于最新的分支，请参阅最新的README.md。

以下Python代码示例加载图数据并计算PageRank

import cudf
import cugraph

# read data into a cuDF DataFrame using read_csv
gdf = cudf.read_csv("graph_data.csv", names=["src", "dst"], dtype=["int32", "int32"])

# We now have data as edge pairs
# create a Graph using the source (src) and destination (dst) vertex pairs
G = cugraph.Graph()
G.from_cudf_edgelist(gdf, source='src', destination='dst')

# Let's now get the PageRank score of each vertex by calling cugraph.pagerank
df_page = cugraph.pagerank(G)

# Let's look at the top 10 PageRank Score
df_page.sort_values('pagerank', ascending=False).head(10)

为什么cuGraph不支持方法级联

使用cuGraph的项目

（按字母顺序排序）

• ArangoDB - 一个免费和开源的原生多模型数据库系统 - https://www.arangodb.com/
• CuPy - "NumPy/SciPy兼容的GPU加速计算数组库" - https://cupy.dev/
• Memgraph - 内存图数据库 - https://memgraph.com/
• NetworkX（通过nx-cugraph后端） - 一个极受欢迎的、免费和开源的库，用于创建、操作和研究复杂网络的结构、动态和功能 - https://networkx.org/
• PyGraphistry - 自由和开源的GPU图ETL、AI和可视化，包括原生RAPIDS & cuGraph支持 - http://github.com/graphistry/pygraphistry
• ScanPy - 一个用于分析单细胞基因表达数据的可扩展工具包 - https://scanpy.readthedocs.io/en/stable/

（如果您想将项目添加到这个列表中，请提交一个问题）

开放的GPU数据科学

RAPIDS开源软件库套件旨在完全在GPU上执行端到端数据科学和分析管道。它依赖于NVIDIA® CUDA®原语进行低级计算优化，但通过用户友好的Python接口提供GPU并行性和高带宽内存速度。

有关更多项目详情，请参阅rapids.ai。

Apache Arrow on GPU

Apache Arrow的GPU版本是一个通用的API，它能够实现运行在GPU上的进程之间表格数据的有效交换。在GPU上进行端到端计算可以避免在GPU上不必要的数据复制和转换，从而减少高性能分析（如人工智能工作负载中常见）的计算时间和成本。正如其名所示，cuDF在GPU上使用Apache Arrow列式数据格式。目前，Apache Arrow的部分功能得到支持。