图神经网络框架DGL学习 102——图、节点、边及其特征赋值

101（入门）以后就是开始具体逐项学习图神经网络的各个细节。下面介绍：
1.如何构建图
2.将特征赋给节点或者边，及查询方法
这算是图神经网络最基础最基础的部分了。

一、如何构建图

DGL中创建的图的方法有：
1. 通过（u, v），u和v分别为起始节点和终止节点的列表，可以是numpy矩阵也可以是tensor
2. scipy中的稀疏矩阵，该稀疏矩阵储存这图的邻接矩阵
3. networkx图对象转化
4. 逐步添加节点与边

先导入所有可能需要的模块

import networkx as nx
import dgl
import torch as th
import numpy as np
import scipy.sparse as spp

1. 通过起始节点u和终止节点v的列表构建图

u = th.tensor([0,0,0,0,0]) #起始节点
v = th.tensor([1,2,3,4,5]) #终止节点
star1 = dgl.DGLGraph((u,v))
nx.draw(star1.to_networkx(), with_labels=True) #可视化
# plt.show()

结果如下图：

如果u、v之一是标量，那么DGL会自动使用boadscat机制，适应数组的长度

plt.clf()
u = th.tensor(0)
v = th.tensor([1,2,3,4,5])
star2= dgl.DGLGraph((u,v))
nx.draw(star2.to_networkx(), with_labels=True)

结果与上图类似

2. scipy中的稀疏矩阵，该稀疏矩阵储存这图的邻接矩

稀疏矩阵是图的邻接矩阵

u = th.tensor([0,0,0,0,0])
v = th.tensor([1,2,3,4,5])
adj = spp.coo_matrix((np.ones(len(u)), (u.numpy(), v.numpy()))) #稀疏矩阵
star3 = dgl.DGLGraph(adj)
nx.draw(star3.to_networkx(), with_labels=True)
plt.show()

结果如上图

3.networkx图对象转化

DGL中的图与networkx中的图是可以相互转化的

g_nx = nx.petersen_graph() #networkx内置的彼得森图
g_dgl = dgl.DGLGraph(g_nx) #生成dgl的图import matplotlib.pyplot as plt
plt.subplot(121)
nx.draw(g_nx, with_labels=True)
plt.title('Networkx')
plt.subplot(122)
nx.draw(g_dgl.to_networkx(), with_labels=True)
plt.title('DGL')
plt.show()

结果如下图，可以看出二者等价。

4. 逐步添加节点与边

plt.clf()
g = dgl.DGLGraph()
g.add_nodes(10)
for i in range(0,5):g.add_edge(i, 0) #逐个添加边
src = list(range(5,8))
dst = th.tensor([0]*3)
g.add_edges(src, dst) #根据边起点，终点，一次性添加多条边
src = th.tensor([8,9])
dst = th.tensor([0,0])
g.add_edges(src, dst)
nx.draw(g.to_networkx(), with_labels=True)
plt.show()

结果如下：

二、将特征赋给节点或者边，及查询方法

先构建一个图

g = dgl.DGLGraph()
g.add_nodes(10)
for i in range(0,10):g.add_edge(i, 0) #逐个添加边

将特征分配到节点或者边，使用字典的格式存储 {名字：特征张量}，称之为fields。
ndata是访问图中节点数据的语法，类似于数组，通过切片访问
edata是访问图中边数据的语法，类似于数组，通过切片访问

1. 特征赋给节点或者边，及查询方法

x = th.randn(10, 3)
print(x)
g.ndata['x'] = x
print('第0个节点：', g.ndata['x'][0])
print('第1, 2个节点：', g.ndata['x'][[1, 2]])
print('第1, 2个节点：', g.ndata['x'][th.tensor([1, 2])])print('图中边的数量：', len(g.edata)) #没有赋值之前是空的
g.edata['w'] = th.randn(10, 2)
print(g.edata['w'])
print('第0个边：', g.ndata['x'][0])
print('第1, 2个边：', g.ndata['x'][[1, 2]])
print('第1, 2个边：', g.ndata['x'][th.tensor([1, 2])])
#通过边的起始节点和终止节点的ID进行访问
print('起始节点为1，终止节点为0的边：', g.edata['w'][g.edge_id(1, 0)])
print('起始节点分别为1，2，3，终止节点均为0的边：', g.edata['w'][g.edge_ids([1,2,3,], 0)])
print('起始节点分别为1，2，3，终止节点均为0的边：', g.edata['w'][g.edge_ids([1,2,3,], [0,0,0])])g.ndata['feats'] = th.zeros((10, 4))
print(g.node_attr_schemes()) #输出图中每一个特征shape等信息#删除节点或者边的数据
g.ndata.pop('feats')
print(g.node_attr_schemes()) #输出图中每一个特征shape等信息

2.存在重复的边的情况

有的图可能存在两条重合的边，例如：1->0

lt.clf()
g_mutil = dgl.DGLGraph()
g_mutil.add_nodes(10)
g_mutil.ndata['x'] = th.randn(10, 2)
g_mutil.add_edges(list(range(1,10)),0) #图中只有9条边
g_mutil.add_edge(1,0) #再次添加一条1->0的边，此时有两条边了, 分别为第一条边和最后一条边
# 此时图中共计10条边
g_mutil.edata['w'] = th.randn(10, 2)
print('第一条边数据：', g_mutil.edges[0].data['w'])
print('最后一条边数据', g_mutil.edges[9].data['w'])g_mutil.edges[0].data['w'] = th.zeros(1, 2) #修改第一条边的数据
print('第一条边数据：', g_mutil.edges[0].data['w'])
print('第一条边数据：', g_mutil.edges[0].data)

一些节点和边的调用方法：

#所有的边
print(g_mutil.edges())#所有的边
print(g_mutil.nodes())#根据节点找边
eid_10 = g_mutil.edge_id(1, 0, return_array=True)
print(eid_10)
g_mutil.edges[eid_10].data['w'] = th.ones(len(eid_10), 2)
print(g_mutil.edata['w'])nx.draw(g_mutil.to_networkx(), with_labels=True)
plt.show()

图神经网络框架DGL学习 102——图、节点、边及其特征赋值相关推荐

图神经网络框架DGL学习 103——信息传递（Message Passing Tutorial）
在图神经网络中,信息的传递和特征的转变,用户可以自定义的.当然在DGL中,也有高级别的API供调用. 现在来看一个网页排名简单的模型.每一个节点都有相同的PV值,PV=0.01, 每一个节点首先会均匀 ...
图神经网络框架DGL实现Graph Attention Network (GAT)笔记
参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 --基础操作&消息传递 [3]Cora数据集介绍+python读取一.DGL实现GAT分类机器学习论文程序摘自[1],该 ...
开源图神经网络框架DGL升级：GCMC训练时间从1天缩到1小时，RGCN实现速度提升291倍...
乾明编辑整理量子位报道 | 公众号 QbitAI 又一个AI框架迎来升级. 这次,是纽约大学.亚马逊联手推出图神经网络框架DGL. 不仅全面上线了对异构图的支持,复现并开源了相关异构图神经网络 ...
图神经网络框架DGL教程-第3章：构建图神经网络（GNN）模块
更多图神经网络和深度学习内容请关注: 第3章:构建图神经网络(GNN)模块 DGL NN模块是用户构建GNN模型的基本模块.根据DGL所使用的后端深度神经网络框架, DGL NN模块的父类取决于后端所 ...
图神经网络框架DGL教程-第4章：图数据处理管道
更多图神经网络和深度学习内容请关注: 第4章:图数据处理管道 DGL在 dgl.data 里实现了很多常用的图数据集.它们遵循了由 dgl.data.DGLDataset 类定义的标准的数据处理管道. ...
亚马逊+纽约大学开源图神经网络框架DGL：新手友好，与主流框架无缝衔接
量子位授权转载 | 公众号 QbitAI 最近,纽约大学.纽约大学上海分校.AWS上海研究院以及AWS MXNet Science Team共同开源了一个面向图神经网络及图机器学习的全新框架,命名为 ...
详解机器学习的凸优化、图神经网络、强化学习、贝叶斯方法等四大主题
AI是一门入门简单,但想深入却很难的学科,这也是为什么AI高端人才一直非常紧缺的重要原因.在AI领域技术领域,我们可以说机器学习功底决定了一个人的上限也不为过.为什么?机器学习就像物理学中的数学,如果 ...
图神经网络(GNN)：同质图模型【GCN/GraphSAGE/GAT...】、异质图模型【HAN/HetGNN...】
目前的图神经网络主要针对同质图(节点类型和边类型单一)设计. 同质图中只有一种类型的节点和边(例如,只有朋友关系的社交网络),网络结构较为简单.因此,同质图神经网络通常只需要聚合单一类型的邻居来更新节 ...
PyG图神经网络框架学习--示例介绍
实例介绍通过自带的示例介绍并学习PyG.主要从以下4各方面: 图数据处理通用基准数据集 Mini-batches 数据转换图学习方法图数据处理图用于对对象(节点)之前的关系(边)进行建模.P ...