当前位置 博文首页 > 韦全敏的博客：DGL中图(Graph)的相关操作
更多图神经网络和深度学习内容请关注：
通过文本，你可以学会以下：
DGL将有向图（此处假设为同构图）表示为一个DGLGraph对象。我们可以通过指定图中的节点数量（可选）、源节点和目标节点列表来构造图，图中节点id从0开始且为连续的整数。
例如，以下代码构造了一个有5个叶子结点的有向星型图（类似五角星），其中中心节点的ID为0。
import dgl
import torch
# 1、使用python list指定源和目标节点, 同时指定节点数量
g1 = dgl.graph(([0, 0, 0, 0, 0], [1, 2, 3, 4, 5]), num_nodes=6)
# 2、使用python list指定源和目标节点, 但不指定节点数量，节点数量num_nodes=max(node_id) + 1
g2 = dgl.graph(([0, 0, 0, 0, 0], [1, 2, 3, 4, 5]))
# 3、使用PyTorch Tensor指定源和目标节点，推荐写法，效率比使用python list要高
u, v = torch.tensor([0,0,0,0,0]), torch.tensor([1,2,3,4,5])
g3 = dgl.graph((u, v))
图中的边ID从0开始且连续，与在创建过程中与源节点和目标节点的列表顺序相同。
print(g3.edges())
(tensor([0, 0, 0, 0, 0]), tensor([1, 2, 3, 4, 5]))
相关API：
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。
我们可以通过ndata和edata接口添加和检索节点特征和边特征。
u, v = torch.tensor([0,0,0,0,0]), torch.tensor([1,2,3,4,5])
g = dgl.graph((u, v))
# 向图g的每个节点添加名为"x"的3维特征
g.ndata["x"] = torch.randn(6, 3)
# 向图g的每个边添加名为"x"的5维特征
g.edata["x"] = torch.randn(5, 5)
# 向图g的每个节点添加名为"x"的5维特征，即覆盖原来3维特征
g.ndata["x"] = torch.randn(6, 5)
g.ndata["x"]
tensor([[-0.3983, -0.0457, -0.4452, 0.2354, 0.4232],
[-2.2643, 0.0501, -1.2971, -0.2198, -1.5397],
[ 0.0041, -0.0402, 0.3461, 1.3199, -1.5499],
[ 0.0390, -0.6028, -0.3294, -1.5476, 0.7534],
[-0.2525, 1.0064, -0.9044, -0.8426, 1.9314],
[-1.8012, -0.3457, 0.2488, 2.7218, 0.4569]])
注: 由于DGL中的Graph只接受数值类型张量(Tensor)特征，以下提供将不同类型特征转为数值类型特征的方法：
- 对于分类属性（例如:性别，职业），考虑将它们转换为整数或使用one-hot编码
- 对于可变长的字符串内容（例如:新闻文章，引用），考虑使用语言模型。
- 对于图像，请考虑应用视觉模型，例如卷积神经网络CNN。
- 其他方法可查阅PyTorch文档
DGLGraph对象提供了多种查询图形结构属性的方法。
查询节点数量和边的数量，可通过num_nodes()和num_edges()
print(g.num_nodes())
print(g.num_edges())
6
5
查询图的度，度(degree)可分为入度(in_degree)和出度(out_degree)
print(g.out_degrees(0)) # 查询节点Id为0的出度
print(g.in_degrees(0)) # 查询节点Id为0的入度
5
0
相关API:
DGL提供了许多API来将图转换为另一个图，例如提取子图可以使用subgraph()、node_subgraph()和edge_subgraph()：
# 使用图g中的节点0、节点1和节点3中导出子图。node_subgraph()和subgraph同义
subgraph1 = g.subgraph([0, 1, 3])
# 使用图g中的边0、边1和边3中导出子图。
subgraph2 = g.edge_subgraph([0, 1, 3])
print("subgraph1\n", subgraph1)
print()
print("subgraph2\n", subgraph2)
subgraph1
Graph(num_nodes=3, num_edges=2,
ndata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32), '_ID': Scheme(shape=(), dtype=torch.int64)}
edata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32), '_ID': Scheme(shape=(), dtype=torch.int64)})
subgraph2
Graph(num_nodes=4, num_edges=3,
ndata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32), '_ID': Scheme(shape=(), dtype=torch.int64)}
edata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32), '_ID': Scheme(shape=(), dtype=torch.int64)})
子图subgraph1和subgraph2拥有自己的新的节点ID和边ID
print(subgraph1.nodes())
print(subgraph1.edges(form="all"))
tensor([0, 1, 2])
(tensor([0, 0]), tensor([1, 2]), tensor([0, 1]))
可通过dgl.NID和dgl.EID获取子图在初始图中的节点ID和边ID
print(subgraph1.ndata[dgl.NID])
print(subgraph1.edata[dgl.EID])
tensor([0, 1, 3])
tensor([0, 2])
通过subgraph和edge_subgraph提取子图的同时，原始图中的特征也会复制到该子图中：
subgraph1.ndata["x"]
tensor([[ 1.9540, 2.2756, -0.8195, -1.2689, 1.3591],
[ 1.0453, -0.4965, -0.1211, -1.5714, -0.3815],
[-0.4503, -1.1459, 1.4306, -0.6387, -1.3598]])
相关API:
利用dgl.add_reverse_edges可为图中的每条边添加对应的反向边，因为使用DGL创建的图默认都是有向图
new_graph = dgl.add_reverse_edges(g)
new_graph.edges()
(tensor([0, 0, 0, 0, 0, 1, 2, 3, 4, 5]),
tensor([1, 2, 3, 4, 5, 0, 0, 0, 0, 0]))
相关API：
我们可以通过dgl.save_graphs保存图或图列表，然后可使用dgl.load_graphs将其加载。
# save graph
dgl.save_graphs("graph.dgl", g)
dgl.save_graphs("graphs.dgl", [g, subgraph1, subgraph2])
此时目录结构：
#load graph
g_list1, _ = dgl.load_graphs("graph.dgl")
print(type(g_list1))
print(g_list1)
<class 'list'>
[Graph(num_nodes=6, num_edges=5,
ndata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32)}
edata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32)})]
[g, subgraph1, subgraph2], _ = dgl.load_graphs("graphs.dgl")
print(type(g))
print(g)
<class 'dgl.heterograph.DGLHeteroGraph'>
Graph(num_nodes=6, num_edges=5,
ndata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32)}
edata_schemes={'x': Scheme(shape=(5,), dtype=torch.float32)})
相关API:
翻译整理自DGL
