图神经网络：dgl官方教程( 一）

最新推荐文章于 2024-11-14 13:06:17 发布

cc 提升ing 变优秀ing

最新推荐文章于 2024-11-14 13:06:17 发布

阅读量2.6k

点赞数 2

分类专栏： GNN

本文链接：https://blog.csdn.net/weixin_42721412/article/details/113572018

版权

本文详细介绍了图神经网络的基础概念，包括图、节点和边的特征，以及如何在DGL上使用图神经网络进行节点分类。文章涵盖了消息传递API、模型实现、训练循环，特别强调了异构图的处理和边缘预测任务。此外，还讨论了在图上构建多层神经网络模型的方法和训练技巧，包括批处理图和邻域采样在节点分类、边缘分类和链路预测任务中的应用。

摘要由CSDN通过智能技术生成

1.5 异构图

1.6 在GPU上使用DGLGraph

2.1 内置函数和消息传递API

2.2 编写高效的消息传递代码

2.3 在图的一部分上进行消息传递

2.4 在消息传递中使用边的权重

2.5 在异构图上进行消息传递

3.1 DGL NN模块的构造函数

3.2 编写DGL NN模块的forward函数

3.3 异构图上的GraphConv模块

4.5 使用ogb包导入OGB数据集

5.1 Node Classification/Regression

One of the most popular and widely adopted tasks for graph neural networks is node classification, where each node in the training/validation/test set is assigned a ground truth category from a set of predefined categories. Node regression is similar, where each node in the training/validation/test set is assigned a ground truth number.

节点分类是图神经网络最受欢迎和广泛采用的任务之一，其中训练/验证/测试集中的每个节点都从一组预定义的类别中分配一个ground truth类别。节点回归类似，训练/验证/测试集中的每个节点都被分配一个地面真值。

Overview

To classify nodes, graph neural network performs message passing discussed in Chapter 2: Message Passing to utilize the node’s own features, but also its neighboring node and edge features. Message passing can be repeated multiple rounds to incorp