为确保数据集整体质量、可复现性及跨编译器兼容性，我们定义了以下构建约束条件：
- 可运行：计算图必须在命令式（即时）模式下可执行。
- 可序列化：计算图及其对应的 Python 代码必须支持序列化与反序列化。
- 可分解：完整计算图应能分解为两个不相交的子图。
- 可静态分析：每个计算图内的算子名称必须可静态解析。
- 自定义算子可访问：若使用了自定义算子，其实现代码必须完全可访问。
GraphNet 提供了用于图提取和验证的自动化工具。
示例：提取并验证 ResNet‑18
git clone https://github.com/PaddlePaddle/GraphNet.git
cd GraphNet
# 设置您的工作空间目录
export GRAPH_NET_EXTRACT_WORKSPACE=/home/yourname/graphnet_workspace/
# 提取 ResNet-18 计算图
python graph_net/test/vision_model_test.py
# 验证提取的图（例如 /home/yourname/graphnet_workspace/resnet18/）
python -m graph_net.torch.validate \
--model-path $GRAPH_NET_EXTRACT_WORKSPACE/resnet18/工作流程图示说明
注：仅当模块中使用了相应的自定义算子时，才需要提供 custom_op 的源代码，且对其格式无特定要求。
步骤 1：graph_net.torch.extract
使用提取器包装您的模型——这就是您需要做的全部：
import graph_net
# 实例化模型（例如一个 torchvision 模型）
model = ...
# 提取您自己的模型
model = graph_net.torch.extract(name="model_name", dynamic=True)(model)运行后，提取的计算图将保存至：$GRAPH_NET_EXTRACT_WORKSPACE/model_name/。
更多详细信息，请参阅 graph_net/torch/extractor.py 中定义的 graph_net.torch.extract 的文档字符串。
步骤 2：graph_net.torch.validate
为验证提取的模型是否符合要求，我们在 CI 工具中使用 graph_net.torch.validate，同时也要求贡献者提前进行自检：
python -m graph_net.torch.validate \
--model-path $GRAPH_NET_EXTRACT_WORKSPACE/model_name所有构建约束条件都将被自动检查。通过验证后，将生成一个唯一的 graph_hash.txt 文件，后续在 CI 流程中会检查此文件以避免重复。
本仓库结构如下：
| 目录 | 描述 |
|---|---|
| graph_net/ | 图提取、验证与基准测试的核心模块 |
| paddle_samples/ | 从 PaddlePaddle 提取的计算图样本 |
| samples/ | 从 PyTorch 提取的计算图样本 |
| docs/ | 技术文档与贡献者指南 |
以下是 graph_net/ 目录的结构：
graph_net/
├─ config/ # 配置文件、参数
├─ paddle/ # PaddlePaddle 图提取与验证
├─ torch/ # PyTorch 图提取与验证
├─ test/ # 单元测试与示例脚本
└─ *.py # 基准测试与分析脚本