# Galileo
**Repository Path**: jd-platform-opensource/galileo
## Basic Information
- **Project Name**: Galileo
- **Description**: 图深度学习框架，具备超大规模、易使用、易扩展、高性能、双后端等优点，旨在解决超大规模图算法在工业级场景的落地难题，提供图神经网络和图嵌入等模型的训练评估及预测能力
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 21
- **Forks**: 12
- **Created**: 2022-02-11
- **Last Updated**: 2025-07-01
## Categories & Tags
**Categories**: machine-learning
**Tags**: None
## README
[](https://github.com/JDGalileo/galileo/actions/workflows/build.yml)
[](https://badge.fury.io/py/jdgalileo)
[](https://anaconda.org/jdgalileo/jdgalileo)
近年来，图计算在搜索、推荐和风控等场景中获得显著的效果，但也面临超大规模异构图训练，与现有的深度学习框架Tensorflow和PyTorch结合等难题。
Galileo（伽利略）是一个图深度学习框架，具备超大规模、易使用、易扩展、高性能、双后端等优点，旨在解决超大规模图算法在工业级场景的落地难题，提供图神经网络和图嵌入等模型的训练评估及预测能力。
# 架构介绍
Galileo整体架构
Galileo图深度学习框架采用分层设计理念，主要分为分布式图引擎、图多后端框架、图模型三层。
- **分布式高性能图引擎**：采用紧凑高效的内存结构表达图数据，能够以极低内存支持**超大规模异构图**；基于ZeroCopy机制实现全链路调用，高性能图查询和图采样。
- **图多后端框架**：支持Tensorflow和PyTorch双后端，配置化单机分布式训练，支持Keras和Estimator训练，提供统一的图查询和图采样接口，**易扩展**。
- **图模型**：遵循数据与模型解耦，提升代码复用性；基于组件化设计，降低模型实现难度，支持Message Passing范式编写图模型，也支持Python直接访问训练后端接口，**易使用且灵活性高**。
# 开始使用
我们提供了Galileo的[pip和conda包](docs/pip.md)，推荐在[docker镜像](https://hub.docker.com/r/jdgalileo/galileo)中使用Galileo，免去了安装依赖包的烦恼。也可以从[源码编译安装](docs/install.md)Galileo。
阅读[入门教程](docs/introduce.md)开始使用Galileo。
如果Galileo目前实现的[图模型](examples/README.md)无法满足需求，可以[定制化图模型](docs/custom.md)。
使用自己的图数据可以参考[图数据准备](docs/data_prepare.md)。
如果图数据量大，可以参考[分布式训练](docs/train.md)。
想要了解更多Galileo接口参考[API文档](docs/api.md)。
[Galileo性能测试](docs/performance.md)。
# 联系我们
欢迎通过issue和邮件组（galileo_opensource@jd.com）联系我们。
# LICENSE
Galileo图深度学习框架使用Apache License 2.0许可。
# 致谢
Galileo图深度学习框架由京东集团-京东零售-技术与数据中心荣誉出品，在此感谢京东零售算法通道的大力支持，同时感谢商业提升事业部、搜索与推荐平台部等兄弟部门在开发及使用过程中提出的宝贵意见。