dgl中的dgl.DGLGraph.ndata和dgl.DGLGraph.edata

import dgl
import torch

# 假设我们创建一个简单的图
# 创建图
g = dgl.graph(([0, 1, 2], [1, 2, 3]))

# 为节点添加特征,比如每个节点有2个特征
g.ndata['feat'] = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8]])

# 为边添加特征,比如每条边有1个特征
g.edata['weight'] = torch.tensor([0.1, 0.2, 0.3])

# 打印节点特征
print("Node features")
print(g.ndata)

# 打印边特征
print("Edge features")
print(g.edata)
print("Node features")
g.ndata['feat1']=torch.tensor([[3],[4],[5],[6]])
print(g.ndata)

在这里插入图片描述

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
dgl.dataloading.GraphDataLoader是DGL用于批量化图数据的类。它可以将DGLGraph对象和对应的标签数据批量化,以便于输入模型进行训练和推理。 GraphDataLoader的主要参数包括: - graph:待批量化的图对象。 - labels:标签数据,可以是节点标签或边标签。 - batch_size:批量大小。 - shuffle:是否打乱数据集顺序。 - drop_last:如果数据集大小不能被batch_size整除,是否丢弃最后一批数据。 GraphDataLoader的主要方法包括: - __len__:返回数据集的大小。 - __iter__:返回一个迭代器,每次迭代返回一个批次的数据。 以下是一个简单的Python代码示例,用于构建一个包含两个节点和一条边的图,并使用GraphDataLoader批量化数据: ``` import dgl import torch from dgl.dataloading import GraphDataLoader # 定义图结构 g = dgl.graph(([0, 1], [1, 0])) # 两个节点和一条边 # 添加节点特征 g.ndata['x'] = torch.tensor([[1.], [2.]]) # 添加边特征 g.edata['w'] = torch.tensor([3.]) # 定义标签数据 labels = torch.tensor([1, 0]) # 批量化数据 loader = GraphDataLoader(g, labels, batch_size=1, shuffle=True) # 遍历数据集 for batched_graph, batched_labels in loader: print(batched_graph) print(batched_labels) ``` 以上代码示例GraphDataLoader将包含两个节点和一条边的图和对应的标签数据批量化,并设置批量大小为1和打乱数据集顺序。在遍历数据集时,每次迭代返回一个批次的数据,其包括一个批次的图对象和对应的标签数据。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值