DGL-图运算

最新推荐文章于 2024-05-02 19:15:29 发布

班达learning

最新推荐文章于 2024-05-02 19:15:29 发布

阅读量244

点赞数

CC 4.0 BY-SA版权

分类专栏： # DGL

本文链接：https://blog.youkuaiyun.com/Iam_Human/article/details/108533575

DGL 专栏收录该内容

3 篇文章

订阅专栏

1. 图变换

2 消息传递

3.1 dgl.DGLGraph API


g.apply_nodes(func)	hg.apply_nodes(func, ntype)	对图的节点使用func更新其data
g.apply_edges(func)	hg.apply_edges(func, edges)	对图中边使用func更新其data
g.update_all(mess_func, redu_func)	hg.update_all(mess_func, redu_func)	更新节点

3.2 dgl.function

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

班达learning

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

GNN-第三方库：DGL【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】

u013250861的博客

10-31

1397

DGL库的逻辑层使用了顶点域的处理方式，使代码更容易理解。同时，又在底层的内存和运行效率方面做了大量的工作，使得框架可以发挥出更好的性能。

DGL官方教程--图卷积神经网络（GCN）

weixin_45613751的博客

01-26

1万+

Graph Convolutional Network Author: , Minjie Wang, Yu Gai, Quan Gan, Zheng Zhang 这是使用DGL实施图卷积网络的简要介绍(Kipf & Welling et al., Semi-Supervised Classification with Graph Convolutional Networks)。我们以DG...

参与评论您还未登录，请先登录后发表或查看评论

（转载）GNN教程：开山之作GCN代码理解（DGL框架）

weixin_43901260的博客

04-05

1545

大纲本文为GNN教程的第七篇文章【使用DGL框架实现GCN算法】。图神经网络的计算模式大致相似，节点的Embedding需要汇聚其邻接节点Embedding以更新，从线性代数的角度来看，这就是邻接矩阵和特征矩阵相乘。然而邻接矩阵通常都会很大，因此另一种计算方法是将邻居的Embedding传递到当前节点上，再进行更新。很多图并行框架都采用详细传递的机制进行运算(比如Google的Pregel)。而图神经网络框架DGL也采用了这样的思路。从本篇博文开始，我们使用DGL做一个系统的介绍，我们主要关注他的设

图神经网络框架DGL教程-第2章：消息传递范式

test

05-04

2272

第2章：消息传递范式消息传递是实现GNN的一种通用框架和编程范式。它从聚合与更新的角度归纳总结了多种GNN模型的实现。消息传递范式假设节点 vvv 上的的特征为 xv∈Rd1x_v\in\mathbb{R}^{d_1}xv∈Rd1，边 (u,v)(u,v)(u,v) 上的特征为 we∈Rd2w_{e}\in\mathbb{R}^{d_2}we∈Rd2。消息传递范式定义了以下逐节点和边上的计算边上计算: me(t+1)=ϕ(xv(t),xu(t),we(t)),(u,v,e)∈E

DGL库中一些函数或者方法的介绍

学习笔记

07-23

1992

DGL库中有许多内置函数和方法，还是需要记录一下，以便更好的掌握DGL。

图神经网络库DGL的基础操作

机器会学习的博客

04-21

1万+

DGL基本操作创建一个图读，写，点和边的表示 Graph Creation 创建一个networkx图 networkx的图可以转化为DGL的图 DGL的图可以转化为networkx的图创建一个petersen_graph petersen graph : 它是Petersen提出的一种简单的连通图，它一般画作五边形中包含有五角星的造型。Petersen图的同构多种多样，形态各异，共...

dgl-0.6.0.post1-cp39-cp39-win-amd64.zip

01-26

DGL能够无缝对接PyTorch的Tensor运算，使得用户可以利用已有的PyTorch模型和技巧来构建GNN模型。这种结合使得研究人员和开发者可以充分利用PyTorch的计算能力，同时享受DGL在图数据处理上的优势。图神经网络是近年...

PyPI 官网下载 | dgl-0.4.1-cp37-cp37m-macosx_10_7_x86_64.whl

02-03

4. **高效性能**：DGL库优化了计算效率，利用GPU加速图运算，能够处理大规模的图数据。 5. **丰富的算法集合**：DGL库包含了多种GNN模型，如GCN（Graph Convolutional Networks）、GAT（Graph Attention Networks）...

Python库 | dgl-0.6a200919-cp38-cp38-manylinux1_x86_64.whl

02-15

5. **高性能优化**：DGL利用GPU加速计算，提高了图运算的效率，尤其在处理大规模图数据时。 6. **丰富的生态**：DGL与其他库（如PyTorch Geometric、TensorFlow Extended等）有良好的兼容性，并且有一系列配套工具...

dgl的cuda版本

weixin_44466434的博客

05-02

1893

111

图神经网络16-DGL实战：图、节点和边创建与运算

yanqianglifei的专栏

06-20

5410

DGL 框架是由纽约大学和 AWS 工程师共同开发的开源框架，旨在为大家提供一个在图上进行深度学习的工具，帮助大家更高效的实现算法。 1.1 关于图的基本概念图是用以表示实体及其关系的结构，记为 G=(V,E)G=(V,E)G=(V,E) 。图由两个集合组成，一是节点的集合 VVV ，一个是边的集合 EEE 。在边集 EEE 中，一条边$ (u,v) $连接一对节点 uuu 和 vvv ，表明两节点间存在关系。关系可以是无向的，如描述节点之间的对称关系；也可以是有向的，如描述非对称关系。例如，若用图对

使用DGL实现基于闲鱼图进行边分类算法

infovisthinker的专栏

05-29

1813

为了把XY算法细化到可以实现的程度，这里把具体的公式都记录下来。 L−1L-1L−1层： hel−1∈R(1,Del−1)h_{e}^{l-1} \isin \Reals^{(1, D_{e}^{l-1})}hel−1∈R(1,Del−1) hul−1∈R(1,Dul−1)h_{u}^{l-1} \isin \Reals^{(1, D_{u}^{l-1})}hul−1∈R(1,Dul−1...

图神经网络框架DGL中的消息函数、聚合函数及更新函数的理解与说明

znsoft的专栏

03-08

6298

在DGL框架中，当我们明显了边、顶点、图以及边和顶点的属性后，接下来需要了解的概念就是三座大山了：消息函数聚合函数更新函数消息函数默认的消息函数是ϕ，它接受的参数是edges ,类型是dgl.EdgeBatch. edges有src，dst和data三个属性，分别是源顶点、目标顶点和边，可以用这三个属性访问各自的特征。表示： node + node -> edge 内置消息函数：一元： copy 函数二元： add, sub, mul, div, dot 函...

DGL官方教程--DGL图和节点/边的特征

weixin_45613751的博客

01-29

1万+

Note: Click here to download the full example code DGLGraph and Node/edge Features Author: Minjie Wang, Quan Gan, Yu Gai, Zheng Zhang 在本教程中，您将学习如何创建图形以及如何读写节点和边以及他们的表示。 Creating a graph DGLGraph的设计受...

GNN教程：DGL框架实现GCN算法！

Datawhale

12-20

2967

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：秦州，算法工程师，Datawhale成员引言本文为GNN教...

【学习笔记】图神经网络库 DGL 入门教程（backend pytorch）

最新发布

07-22

MinIO mc 客户端20250722

dgl图

03-24

### DGL 图神经网络使用教程 DGL 是一种用于构建和训练图神经网络（GNNs）的开源库，它支持多种深度学习框架，如 PyTorch 和 TensorFlow。为了正确安装并使用 DGL 进行图处理或构建 GNN 模型，以下是详细的说明。 #### 安装流程通常情况下，在安装 DGL 前需先安装 PyTorch 或其他兼容的深度学习框架[^1]。这是因为 DGL 的核心功能依赖于这些框架来提供高效的张量运算能力。具体命令如下： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install dgl ``` 上述代码片段展示了如何通过 pip 工具依次安装 PyTorch 及其扩展包以及 DGL 库本身。 #### 构建图的数据结构在 DGL 中，可以通过 `dgl.graph` 函数创建一个基础的无向图或者有向图对象。下面是一个简单的例子展示如何定义节点和边的关系： ```python import dgl import torch # 创建一个具有三个节点的小图 src_nodes = [0, 1, 2] dst_nodes = [1, 2, 0] g = dgl.graph((src_nodes, dst_nodes)) print(g) ``` 此段脚本演示了怎样利用源节点列表与目标节点列表初始化一张基本图实例[^2]。此外还可以为每个节点附加特征矩阵以便后续在网络层间传递信息。 #### 实现简单图分类任务对于更复杂的场景比如执行图级别的预测，则可能涉及到批量操作不同尺寸大小的独立子图集合。此时可借助 `BatchedGraph` 类型统一管理多个分离个体，并配合自定义消息传播机制完成端到端的学习过程。 ```python from dgl.nn import GraphConv class SimpleGCN(torch.nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(SimpleGCN, self).__init__() self.conv1 = GraphConv(input_dim, hidden_dim) self.conv2 = GraphConv(hidden_dim, output_dim) def forward(self, g, features): h = torch.relu(self.conv1(g, features)) logits = self.conv2(g, h) return logits model = SimpleGCN(10, 20, 5) # 输入维度设为10，隐藏层维数设置成20，最终输出类别数量定为5 loss_fn = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) ``` 上面这段程序建立了一个两层卷积架构的基础版本 GCN (Graph Convolutional Network)，适用于解决二元或多类别的监督学习问题。 ###