1 torch_geometric.utils.add_self_loops

add_self_loops(edge_index, edge_weight: Optional[torch.Tensor] = None, fill_value: float = 1.0, num_nodes: Optional[int] = None)

在edge_index中，对图上每个节点i，添加一条边（i，i）

参数介绍

edge_index (LongTensor)	原图的edge_index
edge_weight (Tensor, optional)	原图那些边的weight 【一维数组，维度需要和原来的边数量一致】【此时自环的权重默认为1】
fill_value (float, optional)	如果edge_weight非空，将用fill_value作为自环的weight
num_nodes (int, optional)	最初的多少个点进行自环（没有这个参数的话，就是默认所有的点）

返回内容

(LongTensor, Tensor) 第一个维度是更新后的edge_idx，第二个维度是边权重，如果没有设置edge_weight，那么第二个维度是None

2 torch_geometric.utils.remove_self_loops

去除自环

remove_self_loops(edge_index, edge_attr: Optional[torch.Tensor] = None)

3 torch_geometric.utils.degree

degree(index, num_nodes: Optional[int] = None, dtype: Optional[int] = None)

计算一个给定的一维index tensor的度

num_nodes也是表示计算多少个点的度

x,y=edge_index
x,y
#(tensor([0, 1, 2, 0, 3]), tensor([1, 0, 1, 3, 2]))torch_geometric.utils.degree(x)
#tensor([2., 1., 1., 1.])
#0~3这四个点的出度torch_geometric.utils.degree(y)
#tensor([1., 2., 1., 1.])
#0~3这四个点的入度

4 torch_geometric.utils.get_laplacian

通过edge_index和可能有的edge_weight，计算图拉普拉斯矩阵

get_laplacian(edge_index, edge_weight: Optional[torch.Tensor] = None, normalization: Optional[str] = None, dtype: Optional[int] = None, num_nodes: Optional[int] = None)

参数说明

edge_index (LongTensor)

原图的edge_index

edge_weight (Tensor, optional)

边权重

normalization

图拉普拉斯矩阵的归一化方法：默认是sym

None	没有归一化
"sym"	对称归一化
"rw"	随机游走归一化

dtype (torch.dtype, optional)

num_nodes (int, optional)

表示计算多少个点的拉普拉斯矩阵

5 to_networkx

to_networkx(data, node_attrs=None, edge_attrs=None, to_undirected=False, remove_self_loops=False)

参数说明

data (torch_geometric.data.Data)	需要转换的Data数据
node_attrs (iterable of str, optional)	需要转换的点属性
edge_attrs (iterable of str, optional)	需要转化的边属性
to_undirected (bool, optional)	如果是True，那么返回的就是networkx.Graph 如果是False，那么返回的就是networkx.DiGraph 无向图会根据相应邻接矩阵的上三角矩阵进行创建
remove_self_loops (bool, optional)	是否移除自环

我们以ENZYMES数据集的第一个data为例：

torch_geometric笔记：数据集 ENZYMES &Minibatches_UQI-LIUWJ的博客-CSDN博客

import networkx as nx
import matplotlib.pyplot as plt
from torch_geometric.datasets import TUDataset
from torch_geometric.utils import to_networkxdataset = TUDataset(root='', name='ENZYMES')dataset[0]
#Data(edge_index=[2, 168], x=[37, 3], y=[1])x=to_networkx(dataset[0])
nx.draw(x, with_labels=True)

torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）相关推荐

Go语言开发学习笔记（持续更新中）
Go语言开发学习笔记(持续更新中) 仅供自我学习更好的文档请选择下方 https://studygolang.com/pkgdoc https://www.topgoer.com/go%E5%9F% ...
C语言学习笔记Day3——持续更新中... ...
上一篇文章C语言学习笔记Day2--持续更新中- - 八. 容器 1. 一维数组 1.1 什么是一维数组当数组中每个元素都只带有一个下标(第一个元素的下标为0, 第二个元素的下标为1, 以此类推)时 ...
java从零开始系统性学习完整超全资源+笔记(还在更新中）
java从零开始系统性学习完整超全资源+笔记(还在更新中) 前言资源来自:王汉远java基础, B站视频: https://www.bilibili.com/video/BV1b4411g7bj/? ...
VUE 笔记（持续更新中...）
最近刚好我也在学习vue,这些是我的一些笔记,记录下来,方便用的时候查看,欢迎大家批评指正! 1. 简介 Vue.js是JavaScript MVVM(Model-View-ViewModel)框架 ...
Spring、SpringMVC、SpringBoot及其插件学习笔记集合(持续更新中....)
笔记目录语言 1.MyBatis 1.1 普通用法 1.1.1 配置文件 1.1.2 mapper文件 1.2 通用mapper文件 2.Thymeleaf 2.1 命名空间 2.2 依赖 2.3 ...
算法与数据结构模版（AcWing算法基础课笔记，持续更新中）
AcWing算法基础课笔记文章目录 AcWing算法基础课笔记第一章基础算法 1. 排序快速排序: 归并排序: 2. 二分整数二分浮点数二分 3. 高精度高精度加法高精度减法高精度乘 ...
native react ssh_React Native踩坑笔记（持续更新中...）
最近发现市场上对React Native开发人员的需求挺多的,自己就想学习一下React Native,多一门技术,好将来买个好价位.嘿嘿! 在学习React Native中碰到了不少坑,再次记录下来 ...
考研英语——阅读的逻辑关系分析（唐迟阅读的逻辑笔记+实战）更新中
文章目录逻辑关系分析要精确到词阅读的逻辑黄金法则句间逻辑--相同句间逻辑--相反句内逻辑注意段间逻辑分析寻找文章的中心思想的三个方法句间逻辑--相同实战分析(持续更新) 逻辑关系分析 ...
【强推】李宏毅老师2021深度学习课程学习笔记（持续更新中）
机器学习可以理解为是让机器自动寻找函数的一个过程. 根据函数功能的不同,可以将机器学习进行以下分类. Alpha Go做的事情也是一个分类问题:将当前棋盘上白子黑子的位置作为输入,输出是19*19个c ...
××× 笔记（持续更新中。。）
加密历史以前:安全的算法现代:安全的密钥解密:最好的方法从密钥管理和密钥分发中寻找机会, 而不是从算法本身入手因此,一个密码系统的成功与否的关键是密钥的生成,分发,管理加密安全不存在绝对的 ...

torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）

1 torch_geometric.utils.add_self_loops

2 torch_geometric.utils.remove_self_loops

3 torch_geometric.utils.degree

4 torch_geometric.utils.get_laplacian

torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）相关推荐

最新文章

热门文章