Wir stellen PyTorch Geometric vor, eine Bibliothek für tiefes Lernen auf unregelmäßig strukturierten Eingabedaten wie Graphen, Punktwolken und Mannigfaltigkeiten, die auf PyTorch basiert. Neben allgemeinen Graphendatenstrukturen und Verarbeitungsmethoden enthält sie eine Vielzahl von kürzlich veröffentlichten Methoden aus den Bereichen relationaler Lernverfahren und 3D-Datenverarbeitung. PyTorch Geometric erreicht einen hohen Datendurchsatz durch die Nutzung von dünnbesetzter GPU-Beschleunigung, durch die Bereitstellung spezieller CUDA-Kerne und durch die Einführung effizienter Minibatch-Verarbeitung für Eingabebeispiele unterschiedlicher Größe. In dieser Arbeit präsentieren wir die Bibliothek detailliert und führen eine umfassende vergleichende Studie der implementierten Methoden in homogenen Evaluierungsszenarien durch.