成都网站设计推荐柚米,有人用dw做网站吗,做动物网站的原因,小程序订货系统消息传递范式
消息函数、聚合函数与更新函数
消息函数接受一个参数 edges#xff0c;这是一个 EdgeBatch 的实例#xff0c; 在消息传递时#xff0c;它被DGL在内部生成以表示一批边。edges 有 src、 dst 和 data 共3个成员属性#xff0c; 分别用于访问源节点、目标节点…消息传递范式
消息函数、聚合函数与更新函数
消息函数接受一个参数 edges这是一个 EdgeBatch 的实例 在消息传递时它被DGL在内部生成以表示一批边。edges 有 src、 dst 和 data 共3个成员属性 分别用于访问源节点、目标节点和边的特征。
聚合函数 接受一个参数 nodes这是一个 NodeBatch 的实例 在消息传递时它被DGL在内部生成以表示一批节点。nodes 的成员属性 mailbox 可以用来访问节点收到的消息。 一些最常见的聚合操作包括 sum、max、min 等。
更新函数 接受一个如上所述的参数 nodes。此函数对 聚合函数 的聚合结果进行操作 通常在消息传递的最后一步将其与节点的特征相结合并将输出作为节点的新特征。
DGL在命名空间 dgl.function 中实现了常用的消息函数和聚合函数作为 内置函数。 一般来说DGL建议 尽可能 使用内置函数因为它们经过了大量优化并且可以自动处理维度广播。
内置消息函数可以是一元函数或二元函数。
对于一元函数DGL支持 copy 函数。对于二元函数 DGL现在支持 add、 sub、 mul、 div、 dot 函数。
消息的内置函数的命名约定是 u 表示 源 节点 v 表示 目标 节点e 表示 边。 这些函数的参数是字符串指示相应节点和边的输入和输出特征字段名。
关于内置函数的列表请参见: DGL-Built-in Function 下面表中标识了其中给出的各种消息传递函数以及常见的聚合函数
例如要对源节点的 hu 特征和目标节点的 hv 特征求和 然后将结果保存在边的 he 特征上用户可以使用内置函数 dgl.function.u_add_v(hu, hv, he)。而以下用户定义消息函数与此内置函数等价
def message_func(edges):return {he: edges.src[hu] edges.dst[hv]}DGL支持内置的聚合函数 sum、 max、 min 和 mean 操作。 聚合函数通常有两个参数它们的类型都是字符串。一个用于指定 mailbox 中的字段名一个用于指示目标节点特征的字段名。例如 dgl.function.sum(‘m’, ‘h’) 等价于如下所示的对接收到消息求和的用户定义函数
import torch as th
import dgl
import dgl.function as fn
def reduce_func(nodes):return {h: torch.sum(nodes.mailbox[m], dim1)}单独调用逐边计算
在DGL中也可以在不涉及消息传递的情况下通过 apply_edges() 单独调用逐边计算。 apply_edges() 的参数是一个消息函数。并且在默认情况下这个接口将更新所有的边。例如 import dgl.function as fngraph.apply_edges(fn.u_add_v(el, er, e))消息传递高级API
对于消息传递 update_all() 是一个高级API。它在单个API调用里合并了消息生成、 消息聚合和节点特征更新这为从整体上进行系统优化提供了空间。 update_all() 的参数是一个消息函数、一个聚合函数和一个更新函数。 更新函数是一个可选择的参数用户也可以不使用它而是在 update_all 执行完后直接对节点特征进行操作。 由于更新函数通常可以用纯张量操作实现所以DGL不推荐在 update_all 中指定更新函数。例如
def update_all_example(graph):# 在graph.ndata[ft]中存储结果graph.update_all(fn.u_mul_e(ft, a, m),# 消息函数fn.sum(m, ft))# 聚合函数# 在update_all外调用更新函数final_ft graph.ndata[ft] * 2return final_ftupdate_all函数对应的数学公式为
此调用通过将源节点特征 ft 与边特征 a 相乘生成消息 m 然后对所有消息求和来更新节点特征 ft再将 ft 乘以2得到最终结果 final_ft。
简单应用
# 边 0-1, 0-2, 0-3, 1-3
u, v th.tensor([0,1,2,3,3,4,4]), th.tensor([2,0,1,2,5,1,3])
g dgl.graph((u, v))
# bg dgl.to_bidirected(g)#无向图g.ndata[x] th.ones(g.num_nodes(),3,dtypeth.float32) # 长度为3的节点特征
g.ndata[ft] th.ones(g.num_nodes(),3,dtypeth.float32) # 长度为3的节点特征g.edata[a] th.ones(g.num_edges(),3,dtypeth.float32) # 标量整型特征
print(g.ndata)
temp update_all_example(g)
print(temp:,temp)执行结果 执行结果分析
本小节全部代码
消息传递范式消息函数 接受一个参数 edges这是一个 EdgeBatch 的实例 在消息传递时它被DGL在内部生成以表示一批边。
edges 有 src、 dst 和 data 共3个成员属性 分别用于访问源节点、目标节点和边的特征。聚合函数 接受一个参数 nodes这是一个 NodeBatch 的实例 在消息传递时它被DGL在内部生成以表示一批节点。
nodes 的成员属性 mailbox 可以用来访问节点收到的消息。 一些最常见的聚合操作包括 sum、max、min 等。更新函数 接受一个如上所述的参数 nodes。此函数对 聚合函数 的聚合结果进行操作 通常在消息传递的最后一步将
其与节点的特征相结合并将输出作为节点的新特征。DGL在命名空间 dgl.function 中实现了常用的消息函数和聚合函数作为 内置函数。
一般来说DGL建议 尽可能 使用内置函数因为它们经过了大量优化并且可以自动处理维度广播。内置消息函数可以是一元函数或二元函数。对于一元函数DGL支持 copy 函数。
对于二元函数 DGL现在支持 add、 sub、 mul、 div、 dot 函数。
消息的内置函数的命名约定是 u 表示 源 节点 v 表示 目标 节点e 表示 边。
这些函数的参数是字符串指示相应节点和边的输入和输出特征字段名。关于内置函数的列表请参见: DGL-Built-in Function: https://docs.dgl.ai/api/python/dgl.function.html#api-built-in例如要对源节点的 hu 特征和目标节点的 hv 特征求和 然后将结果保存在边的 he 特征上用户可以使用内置函数 dgl.function.u_add_v(hu, hv, he)。
而以下用户定义消息函数与此内置函数等价。
def message_func(edges):return {he: edges.src[hu] edges.dst[hv]}例如要对源节点的 hu 特征和目标节点的 hv 特征求和 然后将结果保存在边的 he 特征上
用户可以使用内置函数 dgl.function.u_add_v(hu, hv, he)。 而以下用户定义消
息函数与此内置函数等价。def message_func(edges):return {he: edges.src[hu] edges.dst[hv]}
DGL支持内置的聚合函数 sum、 max、 min 和 mean 操作。 聚合函数通常有两个参数它们的类型都是字符串。
一个用于指定 mailbox 中的字段名一个用于指示目标节点特征的字段名
例如 dgl.function.sum(m, h) 等价于如下所示的对接收到消息求和的用户定义函数import torch as th
import dgl
import dgl.function as fn
def reduce_func(nodes):return {h: torch.sum(nodes.mailbox[m], dim1)}单独调用逐边计算
在DGL中也可以在不涉及消息传递的情况下通过 apply_edges() 单独调用逐边计算。
apply_edges() 的参数是一个消息函数。并且在默认情况下这个接口将更新所有的边。例如# import dgl.function as fn
# graph.apply_edges(fn.u_add_v(el, er, e))消息传递高级API
对于消息传递 update_all() 是一个高级API。它在单个API调用里合并了消息生成、 消息聚合和节点特征更新
这为从整体上进行系统优化提供了空间。update_all() 的参数是一个消息函数、一个聚合函数和一个更新函数。
更新函数是一个可选择的参数用户也可以不使用它而是在 update_all 执行完后直接对节点特征进行操作。
由于更新函数通常可以用纯张量操作实现所以DGL不推荐在 update_all 中指定更新函数。例如def update_all_example(graph):# 在graph.ndata[ft]中存储结果graph.update_all(fn.u_mul_e(ft, a, m),# 消息函数fn.sum(m, ft))# 聚合函数# 在update_all外调用更新函数final_ft graph.ndata[ft] * 2return final_ft
此调用通过将源节点特征 ft 与边特征 a 相乘生成消息 m 然后对所有消息求和来更新节点特征 ft再将 ft 乘以2得到最终结果 final_ft。# 边 0-1, 0-2, 0-3, 1-3
u, v th.tensor([0,1,2,3,3,4,4]), th.tensor([2,0,1,2,5,1,3])
g dgl.graph((u, v))
# bg dgl.to_bidirected(g)#无向图g.ndata[x] th.ones(g.num_nodes(),3,dtypeth.float32) # 长度为3的节点特征
g.ndata[ft] th.ones(g.num_nodes(),3,dtypeth.float32) # 长度为3的节点特征g.edata[a] th.ones(g.num_edges(),3,dtypeth.float32) # 标量整型特征
print(g.ndata)
temp update_all_example(g)
print(temp:,temp)
