GNN学习【01】——DGL

学习内容：DGL - Get Started

讨论问题

1. 如何借助networkx创建dgl图？如何直接创建dgl图

networkx可以将图形可视化。

借助networkx创建dgl图

import networkx as nx
import dgl

g_nx = nx.petersen_graph()
g_dgl = dgl.DGLGraph(g_nx)

直接创建dgl图

import dgl
g = dgl.DGLGraph()

2. 如何添加结点和边？

添加结点：

# add 34 nodes into the graph; nodes are labeled from 0~33
    g.add_nodes(34)

添加边：
边缘在DGL是有方向的，让边具有双向性

# add edges two lists of nodes: src and dst
src, dst = tuple(zip(*edge_list))
g.add_edges(src, dst)
# edges are directional in DGL; make them bi-directional
g.add_edges(dst, src)

3. 如何访问结点的属性？

# access node set with integer, list, or integer tensor
g.nodes[0].data['x'] = th.zeros(1, 3)
g.nodes[[0, 1, 2]].data['x'] = th.zeros(3, 3)
g.nodes[th.tensor([0, 1, 2])].data['x'] = th.zeros(3, 3)

4. 访问边的属性有哪两种方法？

g.edata['w'] = th.randn(9, 2)

# access edge set with IDs in integer, list, or integer tensor
g.edges[1].data['w'] = th.randn(1, 2)
g.edges[[0, 1, 2]].data['w'] = th.zeros(3, 2)
g.edges[th.tensor([0, 1, 2])].data['w'] = th.zeros(3, 2)

# one can also access the edges by giving endpoints
g.edges[1, 0].data['w'] = th.ones(1, 2)                 # edge 1 -> 0
g.edges[[1, 2, 3], [0, 0, 0]].data['w'] = th.ones(3, 2) # edges [1, 2, 3] -> 0

5. 边和点的属性用什么数据结构进行存贮？边和点属性对应的scheme包含哪些信息？

用字典来进行存贮

#After assignments, each node/edge field will be associated with a scheme containing the shape and data type (dtype) of its field value.
print(g.node_attr_schemes())
g.ndata['x'] = th.zeros((10, 4))
print(g.node_attr_schemes())

对应的scheme包含了形状和数据类型

#Out:
{'x': Scheme(shape=(3,), dtype=torch.float32)}
{'x': Scheme(shape=(4,), dtype=torch.float32)}

6. 如何删除边或节点的属性？

#One can also remove node/edge states from the graph. This is particularly useful to save memory during inference.
g.ndata.pop('x')
g.edata.pop('w')

7. 什么叫multi graph。请举出一个现实的例子

Multigraphs ~~~ Many graph applications need multi-edges.
许多图的应用都需要多边。
构造类:DGLGraph with multigraph=True
实际例子：
1、地图，两个地点之间在地图上可能会有不同的路径。
2、同学之间的关系：两个同学可能有合作关系，合作论文，互相做实验，但是做的事情是不同的。

8. 在dgl库中，`message`和`reduce`分别完成什么功能？

首先，我们使用DGL的内置函数定义消息传递：
使用源节点“h”作为信息传递

def gcn_message(edges):
    # The argument is a batch of edges.
    # This computes a (batch of) message called 'msg' using the source node's feature 'h'.
    return {'msg' : edges.src['h']}

定义消息累和函数。

def gcn_reduce(nodes):
    # The argument is a batch of nodes.
    # This computes the new 'h' features by summing received 'msg' in each node's mailbox.
    return {'h' : torch.sum(nodes.mailbox['msg'], dim=1)}

9. 说明`send， recv, update_all， copy_src`的功能。

发送消息到所有边

def pagerank_naive(g):
    # Phase #1: send out messages along all edges.
    for u, v in zip(*g.edges()):
        g.send((u, v))

接受消息来计算新的页面排名的值

    # Phase #2: receive messages to compute new PageRank values.
    for v in g.nodes():
        g.recv(v)

通过所有的边来获取消息并更新所有的节点

def pagerank_level2(g):
    g.update_all()

利用源结点的特征属性来计算输出

dgl.function.copy_src(src, out) is an edge UDF that computes the output using the source node feature data.

10. 使用`builtin`函数有什么好处？

使用内置函数的好处是：使用内置函数，比普通的Python实现，速度要快一倍左右。代码简洁，提升性能。

11. 例子

Batched Graph Classification with DGL
在Classifier.forward()中，设隐层1节点数为256，隐层2节点数为266。输入层节点为1，对应一个graph，输出层节点为8，对应8个类别。一个batch的大小为32，图的节点数为400。经过以下变换后，h的维度是多少？

调用 g.update_all 之前 :1

g.update_all 之后 :1

经过线性变换之后:256

再次调用g.update_all 之后 :256

再次经过线性变换之后:266

调用dgl.mean_nodes之后 :266

调用classify之后:8

GNN学习 【01】——DGL