torch_geometric.utils.k_hop

主要记录一下k_hop_subgraph在有向图里关于子图提取的需要注意的地方。
函数参数包括有k_hop_subgraph(
node_idx,
num_hops,
edge_index,
relabel_nodes=False,
num_nodes=None,
flow=‘source_to_target’,
)，每个参数这里就不细讲了。
文档里该函数的描述为：Computes the :math:k-hop subgraph of :obj:edge_index around node
:attr:node_idx.
It returns (1) the nodes involved in the subgraph, (2) the filtered
:obj:edge_index connectivity, (3) the mapping from node indices in
:obj:node_idx to their new location, and (4) the edge mask indicating
which edges were preserved.
通过一些实验个人的理解是：对于给定节点或节点集node_idx，将其作为目标节点（如果为有向图），会先将所有能够通过num_hops跳到达该目标节点的节点（如果为有向图则为源节点）添加进subset（即第一个返回值），然后将连接这些节点的所有边（是所有边，无论是出边还是入边）都添加进子图的边集（第二个返回值）里。由于在处理有向图时关于边的提取有不太清楚的地方，特地做了一些实验，结果记录如下。

先给定一个图并可视化。

from torch_geometric.data import Data
from torch_geometric.utils import to_networkx, k_hop_subgraph
import networkx as nx
import matplotlib.pyplot as pltedge_index_original = torch.LongTensor([[0, 0, 1, 1, 2, 3, 3, 4, 4],[2, 4, 0, 2, 3, 2, 4, 3, 0]])
x_original = torch.ones(5, 1)
g = Data(edge_index=edge_index_original, x=x_original)
g = to_networkx(g)
nx.draw(g, with_labels=g.nodes)
plt.show()

得到图如下：
用k_hop_subgraph提取节点0的1跳子图：

k_hop_subgraph(node_idx=[0], num_hops=1, edge_index=g.edge_index)
"""
(tensor([0, 1, 4]),tensor([[0, 1, 4],[4, 0, 0]]),tensor([0]),tensor([False,  True,  True, False, False, False, False, False,  True]))
"""

输出的第一个参数为得到的子图节点，可以看到是不包含节点2的，因为节点2只是节点0的一个目标节点，不是源节点。另外，输出的第二个参数为得到的子图上的边集，可以看到是包含该子图上三个节点（0， 1， 4）的所有边的，即不仅包括了4指向0的边，也有0指向4的边。
同理，以下关于不同节点的子图提取的结果就很好理解了：

k_hop_subgraph(node_idx=[1], num_hops=1, edge_index=g.edge_index)
"""
(tensor([1]),tensor([], size=(2, 0), dtype=torch.int64),tensor([0]),tensor([False, False, False, False, False, False, False, False, False]))没有指向节点1的节点，故子图里只有自身。
"""
k_hop_subgraph(node_idx=[3], num_hops=1, edge_index=g.edge_index)
"""
(tensor([2, 3, 4]),tensor([[2, 3, 3, 4],[3, 2, 4, 3]]),tensor([1]),tensor([False, False, False, False,  True,  True,  True,  True, False]))输出的子图的边集里有连接节点2，3，4的所有边，不分方向。"""

torch_geometric.utils.k_hop_subgraph相关推荐

torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）
1 torch_geometric.utils.add_self_loops add_self_loops(edge_index, edge_weight: Optional[torch.Tensor ...
torch_geometric笔记：nn. graclus （图点分类）
torch_geometric.nn.graclus(edge_index, weight: Optional[torch.Tensor] = None, num_nodes: Optional[in ...
torch_geometric 笔记：nn.ChebNet
1 理论部分交通预测论文翻译:Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions_UQI-LIUW ...
PyTorch Geometric(PyG) torch_geometric.nn.conv.gcn_conv源码详解
这个类继承自MessagePassing也就是Convolutional Layers import torch from torch.nn import Parameter from torch_s ...
torch_geometric
https://pytorch-geometric.readthedocs.io/en/latest/modules/nn.html#torch_geometric.nn.conv.SAGEConv ...
torch_geometric 介绍
官网:torch_geometric.nn - pytorch_geometric documentation PyTorch Geometric 简称PYG是一个基于PyTorch的库,可轻松编写和 ...
正确安装 torch_geometric库
step1: 查看pytorch+cuda 版本 torch-scatter torch-sparse torch-cluster torch-spline-conv 这些关联包要与torch版本匹配 ...
第十七课.Pytorch-geometric入门(二)
目录消息传递 MessagePassing Base Class 简单GCN层的实现实现边卷积(Edge Convolution) 创建自定义数据集创建"In Memory Datas ...
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
来源:DeepHub IMBA 本文约4500字,建议阅读9分钟今天介绍的这个模型被称作:Light Graph Convolution Network 或 LightGCN¹. 推荐系统是当今业界 ...

torch_geometric.utils.k_hop_subgraph

torch_geometric.utils.k_hop_subgraph相关推荐

最新文章

热门文章