Pgl

版本更新：

1、框架模型更新：

- 将大部分GNN模型底层消息传递机制更新为 paddle.geometric 调用方式。
- 新增 UVA 图存储，UVA方式可以支持将图结构存储在CPU内存中，但仍可以通过GPU设备进行访问。
- 新增 BernNet、ChebNetII、FAGCN、GATv2、GPRGNN模型。

2、工具库更新：

- 新增超大规模GPU图表示学习训练引擎PGLBox，具备低成本、高性能、高稳定、灵活易用的全面优势。通过异构层次化存储技术，突破了显存瓶颈，单机即可支持百亿节点、数百亿边的图采样和训练，可用于快速搭建基于GNN的推荐系统、用户画像、图检索系统。（详情请参考[这里](https://github.com/PaddlePaddle/PGL/tree/main/apps/PGLBox)）

1. Fix workflows for automatic build pgl in some linux enviroments.

版本小更新：

- 修复与paddlepaddle一些依赖上的冲突。

版本小更新
- 修改了框架动静图切换in_dygraph_mode的逻辑，兼容Paddle 2.3版本

1、发布Graph4Rec：一个用于推荐系统的通用大规模分布式图表示学习工具包（详情请参考[这里](https://github.com/PaddlePaddle/PGL/tree/main/apps/Graph4Rec)）。

- 全面丰富： 预置丰富的图模型，包括walk-based和GNN-based 模型。
- 灵活易用：配置即模型，无需改动代码，一键即可启动单机和多机训练。
- 大规模： 大规模参数服务与图引擎无缝结合，可进行工业级图表示学习训练，实现应用落地。

2、发布Graph4KG：一个用于大规模知识图谱表示学习的工具包（详情请参考[这里](https://github.com/PaddlePaddle/PGL/tree/main/apps/Graph4KG)）。

- 异步数据读取：数据读取与模型训练异步进行，节省数据IO时间。
- 异构存储与计算：实体和关系参数存储在CPU，模型计算在GPU，节省显存占用。
- 异步梯度更新：GPU到CPU的梯度更新异步执行，进一步提升训练速度。
- OGB-LSC支持：提供了WikiKG90M数据集在KDD CUP2021中的解决方案。

3、发布GNNAutoScale：一个用于图学习异构设备训练的工具包（详情请参考[这里](https://github.com/PaddlePaddle/PGL/tree/main/apps/GNNAutoScale)）。

- GNN模型自动拓展：采样中间隐态CPU缓存技术，支持GNN模型自动拓展。
- 解决IO瓶颈：支持CUDA Stream异步读写，实现计算和IO操作并行化。
- 速度提升显著：支持消息传递Spmm化，大幅度提升图学习的显存利用和训练速度。
- 提高数据生成效率：Dataloader数据缓存策略，提高数据生成效率。

4、新特性

- 新增 pgl.partition图分片方法，包含random_partition和metis_partition，其中metis_partition暂不支持 Windows系统；
- 新增pgl.utils.transform，包含一些方便的图转换API，如to_undirected用于转无向图，add_self_loops用于给图增加自环边；
- 新增pgl.utils.stream_pool，支持 CUDA Stream异步读写；
- 新增 pgl.utils.shared_embedding，支持MMAP模式的共享 Embedding。

5、Bug修复

- 修复 DistGPUGraph无法在 PaddlePaddle版本大于2.0.0正确运行的 Bug；
- 修复 Dataloader在 num_workers 大于1时，不支持python3.8 mac os环境下正确运行的 Bug；