【Pytorch神经网络理论篇】 28 DGLGraph图的基本操作（缺一部分 明天补）
1 DGLGraph图的创建与维护
1.1 生成DGLGraph图并且增加顶点与边
import dgl
import torch as th# 边 0->1, 0->2, 0->3, 1->3
u, v = th.tensor([0, 0, 0, 1]), th.tensor([1, 2, 3, 3])
g = dgl.graph((u, v))print(g) # 图中节点的数量是DGL通过给定的图的边列表中最大的点ID推断所得出的
# 获取节点的ID
print(g.nodes())
# 获取边的对应端点
print(g.edges())
# 获取边的对应端点和边ID
print(g.edges(form='all'))
# 如果具有最大ID的节点没有边，在创建图的时候，用户需要明确地指明节点的数量。
g = dgl.graph((u, v), num_nodes=8)
1.2 获得DGLGraph图的顶点与边
import dgl
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文字符
mpl.rcParams['font.family'] = 'STSong'
mpl.rcParams['font.size'] = 40
g_dgl = dgl.DGLGraph() # 生成一个空图
g_dgl.add_nodes(4) # 增加四个顶点
g_dgl.add_edges(list(range(4)),[0]*4) # 增加四条边
print("顶点",g_dgl.nodes()) # 输出顶点列表
print("边:",g_dgl.edges()) # 输出边
print("边索引",g_dgl.edge_id(1,0)) # 输出边索引
print("边属性",g_dgl.edges[g_dgl.edge_id(1,0)]) # 输出边属性顶点 tensor([0, 1, 2, 3])
边: (tensor([0, 1, 2, 3]), tensor([0, 0, 0, 0]))
边索引 1
边属性 EdgeSpace(data={})
1.3 删除DGLGraph图的顶点与边
g_dgl.remove_edges(i) # 删除索引值为i的边
print(g_dgl.number_of_edges()) # 输出图的边数1.4 清空DGLGraph图
g_dgl.clear() # 清空图内容2 查看DGLGraph图中的度
DGLGraph图按照边的方向将度分为两种：连接其他顶点的度（out）和被其他顶点连接的度。
- in_degree：查询指定顶点被连接的边数。
- in_degrees：查询多个顶点被连接的边数，默认查询图中的全部顶点。
- out_degree：查询指定顶点连接其他顶点的边数。
- out_degrees：查询多个顶点连接其他顶点的边数，默认查询图中的全部顶点。
2.1 代码实战：查看DGLGraph图中的度
import dgl
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文字符
mpl.rcParams['font.family'] = 'STSong'
mpl.rcParams['font.size'] = 40
g_dgl = dgl.DGLGraph() # 生成一个空图
g_dgl.add_nodes(4) # 增加四个顶点
g_dgl.add_edges(list(range(4)),[0]*4) # 增加四条边
print(g_dgl.in_degree(0)) # 查询连接0顶点的度，输出：4
print(g_dgl.in_degrees([0,1])) # 查询连接0，1顶点的度，输出：tensor([4, 0])
print(g_dgl.in_degrees()) # 查询全部顶点被连接的度，输出：tensor([4, 0, 0, 0])
print(g_dgl.out_degrees()) # 查询全部顶点向外连接的度，输出：tensor([1, 1, 1, 1])
3 DGLGraph图与NetWorkx图的相互转化
DGLGraph类在NetWorkx模块之上进行扩展
3.1 将DGLGraph图转成NetWorkx图并显示
将DGLGraph图转成NetWorkx图后便可以借助NetWorkx图的显示功能来可视化其内部结构。
import dgl
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文字符
mpl.rcParams['font.family'] = 'STSong'
mpl.rcParams['font.size'] = 40
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'g_dgl = dgl.DGLGraph() # 生成一个空图
g_dgl.add_nodes(4) # 增加四个顶点
g_dgl.add_edges(list(range(4)),[0]*4) # 增加四条边nx.draw(g_dgl.to_networkx(),with_labels=True) # 先调用to_networkx()方法，将DGLGraph图转成NetWorkx图，再调用NeWorkx的draw()方法进行显示。#### Networkx库中对图的可视化没有自环图的功能3.2 利用NetWorkx图创建DGLGraph图
DGLGraph图可以从NetWorkx图中转化而来。
3.2.1 代码实战：利用NetWorkx图创建DGLGraph图
先调用dgl.DGLGraph()将NetWorkx图转化为DGLGraph图，再调用了DGLGraph图对象的to_networkx()方法，将DGLGraph图转换为NetWorkx图显示。
import dgl
import networkx as nx
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文字符
mpl.rcParams['font.family'] = 'STSong'
mpl.rcParams['font.size'] = 40
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'g_nx = nx.petersen_graph() # 创建一个Networkx类型的无向图petersen
g_dgl = dgl.DGLGraph(g_nx) # 将Networkx类型转化为DGLGraph
plt.figure(figsize=(20,6))
plt.title("Networkx无向图",fontsize=20)
nx.draw(g_nx,with_labels=True)
plt.subplots(122)
plt.title("DGL有向图",fontsize=20)
nx.draw(g_dgl.to_networkx(),with_labels=True) # 将DGLGraph转化为Networkx类型的图
4 DGLGraph图中顶点属性的操作
4.1 为图添加节点特征和边特征
许多图数据包含节点和边上的属性，即节点特征和边特征。虽然节点特征和边特征的类型在现实世界中可以是任意的，但是DGLGraph只接受存储在张量(Tensor)中的属性，且该属性必须为数值类型。
4.2 修改顶点属性
4.3 删除顶点属性
DGL库官方操作指南https://docs.dgl.ai/
【Pytorch神经网络理论篇】 28 DGLGraph图的基本操作（缺一部分 明天补）相关推荐
- 【Pytorch神经网络理论篇】 27 图神经网络DGL库：简介+安装+卸载+数据集+PYG库+NetWorkx库
DGL库是由纽约大学和亚马逊联手推出的图神经网络框架,支持对异构图的处理,开源相关异构图神经网络的代码,在GCMC.RGCN等业内知名的模型实现上也取得了很好的效果. 1 DGL库 1.1 DGL库的 ...
- 【Pytorch神经网络理论篇】 29 图卷积模型的缺陷+弥补方案
图卷积模型在每个全连接网络层的结果中加入了样本间的特征计算.其述质是依赖深度学特征与缺陷. 1.1 全连接网络的特征与缺陷 多层全连接神经网络被称为万能的拟合神经网络.先在单个网络层中用多个神经元节点 ...
- 【Pytorch神经网络理论篇】 25 基于谱域图神经网络GNN：基础知识+GNN功能+矩阵基础+图卷积神经网络+拉普拉斯矩阵
图神经网络(Graph Neural Network,GNN)是一类能够从图结构数据中学习特征规律的神经网络,是解决图结构数据(非欧氏空间数据)机器学习问题的最重要的技术. 1 图神经网络的基础知识 ...
- 【Pytorch神经网络理论篇】 26 基于空间域的图卷积GCNs（ConvGNNs）：定点域+谱域+图卷积的操作步骤
图卷积网络(Graph Convolutional Network,GCN)是一种能对图数据进行深度学习的方法.图卷积中的"图"是指数学(图论)中用顶点和边建立的有相关联系的拓扑图 ...
- 【Pytorch神经网络理论篇】 20 神经网络中的注意力机制
注意力机制可以使神经网络忽略不重要的特征向量,而重点计算有用的特征向量.在抛去无用特征对拟合结果于扰的同时,又提升了运算速度. 1 注意力机制 所谓Attention机制,便是聚焦于局部信息的机制,比 ...
- 【Pytorch神经网络理论篇】 35 GaitSet模型：步态识别思路+水平金字塔池化+三元损失
代码: [Pytorch神经网络实战案例]28 GitSet模型进行步态与身份识别(CASIA-B数据集)_LiBiGor的博客-CSDN博客1 CASIA-B数据集本例使用的是预处理后的CASIA- ...
- 【Pytorch神经网络理论篇】 39 Transformers库中的BERTology系列模型
同学你好!本文章于2021年末编写,获得广泛的好评! 故在2022年末对本系列进行填充与更新,欢迎大家订阅最新的专栏,获取基于Pytorch1.10版本的理论代码(2023版)实现, Pytorch深 ...
- 【Pytorch神经网络理论篇】 31 图片分类模型：ResNet模型+DenseNet模型+EffcientNet模型
1 ResNet模型 在深度学习领域中,模型越深意味着拟合能力越强,出现过拟合问题是正常的,训练误差越来越大却是不正常的. 1.1 训练误差越来越大的原因 在反向传播中,每一层的梯度都是在上一层的基础 ...
- 【Pytorch神经网络理论篇】 24 神经网络中散度的应用：F散度+f-GAN的实现+互信息神经估计+GAN模型训练技巧
1 散度在无监督学习中的应用 在神经网络的损失计算中,最大化和最小化两个数据分布间散度的方法,已经成为无监督模型中有效的训练方法之一. 在无监督模型训练中,不但可以使用K散度JS散度,而且可以使用其他 ...
最新文章
- 《面向对象程序设计》第一次作业
- 基于正样本的表面缺陷检测
- SAP Spartacus的configModule
- springcloud 创建子父项目_idea搭建springCloud----搭建父子项目（二）
- 64位处理器_快看看你的电脑是64位还是32位操作系统，处理器支持64位可升级
- Java命名规范+常量定义方法
- 常用screen参数
- 你必不可能错过的java开源商城项目
- 房产中介管理系统搭建
- 设置QQ空间评论回复权限，包括日志、相册、说说、留言板的评论回复和留言权限，限制名单成员无评论回复权限
- Linux 修改环境变量设置的三种方式
- java word 颜色设置_Java 给Word文档添加背景颜色
- 分享一个计算机视觉图片或者视频的标注神器
- 饮用水安全与水资源保护
- Python三元表达式（三目运算符）|Python技能树征题
- 如何用adobe audition剪切音频单独导出保存
- C++中关于switch的一些理解
- 基于51单片机智能可控洗衣机控制系统设计
- outlook不断弹出“对以下服务器输入您的用户名和密码”
- 浅谈Spring框架AOP概念