pip install dgl
# error: Could not find a version that satisfies the requirement

DGL（Deep Graph Library）是图神经网络库，Windows上安装需要匹配PyTorch和CUDA版本。

---

版本要求

DGL需要与PyTorch的CUDA版本严格匹配：

PyTorch	CUDA	DGL	Python
2.1.x	11.8	2.1.0+cu118	3.8-3.11
2.1.x	12.1	2.1.0+cu121	3.8-3.11
2.0.x	11.8	2.0.0+cu118	3.7-3.11

---

安装中可能遇到的问题

在安装DGL之前，了解可能遇到的问题：

问题1：pip install找不到GPU版本

pip install dgl
# 安装成功，但只有CPU版本
import dgl
dgl.cuda.is_available()  # False

官方pip默认安装CPU版本，GPU版本需要指定下载源。

问题2：CUDA版本不匹配

pip install dgl -f https://data.dgl.ai/wheels/cu121/repo.html
import dgl
# RuntimeError: CUDA version mismatch

PyTorch是cu118，但装了cu121的DGL，必须完全一致。

问题3：不知道该装哪个版本

DGL版本号对应PyTorch版本，cu118对应CUDA 11.8，容易搞混。

如果你想避免这些问题，可以用抠头助手自动检测环境并选择正确版本。

---

方式一：一键安装

使用抠头助手自动匹配PyTorch和CUDA版本。

下载地址：https://www.codetou.com

1. 选择Python环境

打开软件，在左侧选择你的Python环境：

2. 找到DGL

切换到「GPU库」，找到DGL_GPU：

3. 确认配置并安装

软件会自动检测PyTorch和CUDA版本，选择匹配的DGL：

4. 等待完成

自动安装DGL及依赖：

---

方式二：手动安装

1. 确认当前环境

import torch
print(f"PyTorch: {torch.__version__}")
print(f"CUDA: {torch.version.cuda}")

2. 安装对应版本的DGL

根据CUDA版本选择：

CUDA 11.8:

pip install dgl -f https://data.dgl.ai/wheels/cu118/repo.html

CUDA 12.1:

pip install dgl -f https://data.dgl.ai/wheels/cu121/repo.html

3. 验证安装

import dgl
print(f"DGL版本: {dgl.__version__}")
print(f"CUDA可用: {dgl.cuda.is_available()}")

---

验证安装

运行基础测试：

import dgl
import torch

# 创建图
g = dgl.graph(([0, 1, 2], [1, 2, 3]))

# 转移到GPU
g = g.to('cuda')

print(f"节点数: {g.num_nodes()}")
print(f"边数: {g.num_edges()}")
print(f"设备: {g.device}")

输出：

节点数: 4
边数: 3
设备: cuda:0

---

图卷积网络示例

import torch
import torch.nn as nn
import dgl
import dgl.nn as dglnn

class GCN(nn.Module):
    def __init__(self, in_dim, hidden_dim, out_dim):
        super().__init__()
        self.conv1 = dglnn.GraphConv(in_dim, hidden_dim)
        self.conv2 = dglnn.GraphConv(hidden_dim, out_dim)

    def forward(self, g, features):
        h = torch.relu(self.conv1(g, features))
        h = self.conv2(g, h)
        return h

# 创建图和特征
g = dgl.graph(([0, 1, 2, 3], [1, 2, 3, 4])).to('cuda')
features = torch.randn(5, 10).cuda()

# 创建模型
model = GCN(10, 20, 5).cuda()

# 前向传播
output = model(g, features)
print(f"输出shape: {output.shape}")

---

常见问题

Q：import dgl报CUDA error？

PyTorch和DGL的CUDA版本不匹配。运行print(torch.version.cuda)确认版本，重装对应的DGL。

Q：RTX 40系列能用吗？

可以，支持CUDA 11.8。

Q：为什么pip install dgl失败？

官方默认提供CPU版本，GPU版本需要指定下载源。

Q：DGL占用显存多吗？

取决于图大小。可以用采样降低显存占用：

sampler = dgl.dataloading.NeighborSampler([10, 10])
dataloader = dgl.dataloading.DataLoader(
    g, torch.arange(g.num_nodes()), sampler, batch_size=1024
)

---

DGL常用操作

图构建

# 从边列表创建
g = dgl.graph(([0, 1, 2], [1, 2, 3]))

# 添加自环
g = dgl.add_self_loop(g)

# 双向图
g = dgl.to_bidirected(g)

节点和边特征

# 节点特征
g.ndata['feat'] = torch.randn(g.num_nodes(), 128)

# 边权重
g.edata['weight'] = torch.ones(g.num_edges())

消息传递

import dgl.function as fn

# 聚合邻居特征
g.update_all(fn.copy_u('feat', 'm'), fn.mean('m', 'h'))

---

相关教程

如果你还需要安装其他GPU库：

• Windows安装mamba_ssm教程

更多Python库安装教程，访问：https://www.codetou.com

---

抠头助手：https://www.codetou.com

遇到问题？打开软件右上角菜单 →「技术客服」，扫码添加微信获取帮助。