【dgl学习】dgl.DGLGraph.multi_update_all的理解

最新推荐文章于 2024-03-14 11:31:46 发布
最新推荐文章于 2024-03-14 11:31:46 发布
阅读量247 收藏
点赞数
分类专栏： # dgl 文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zfhsfdhdfajhsr/article/details/126518844
版权

  在dgl的框架下，在经过消息传递和消息聚合之后需要对处理后的消息进行更新。在异构图的更新过程中常用到所介绍的函数，下面对对其做一个介绍。

参考文献

[1]dgl.DGLGraph.multi_update_all的理解

一穷二白到年薪百万
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
dgl-03 graphsage
CoutEndl的博客
09-07 387
dgl graphsage
dgl.DGLGraph.multi_update_all的理解
qq_39321513的博客
07-12 1086
来源：dgl.DGLGraph.multi_update_all — DGL 0.6.1 documentation 看这个代码自己琢磨了好久，好像看会了，我说说自己的理解。如果有不同想法的请留言评论一起交流。 官方给的函数功能的说明是这样的： 意思是沿着边发送消息，首先是逐类型的聚合，然后再跨类型的聚合。 官方给了这个例子: 我理解的是先分别弄follows和attracts的部分，然后再将这两部分合起来。 先看关系为follows部分，涉及到的节点都是user类型，沿着边0--&g.
解释multi_update_all函数
努力学习的DS
03-14 206
节点数据通过 multi_update_all 方法更新，使用了两种聚合方法：内置的 “sum” 和用户自定义的 cross_sum 函数。的那个"sum"，合并了边类型’follows’和’attracts’，那对user1来说，就是’follows’的3.0 + 'attracts’上获得的1.0，3.0 + 1.0 = 4.0。user0的给到user1，user1的也给到自己user1，那就已经是1.0 + 2.0 = 3.0了，
第二十一课.DeepGraphLibrary(二)
白景屹的博客
10-13 1710
目录构建GNN模块官方SAGEConv和HeteroGraphConv用法 构建GNN模块 官方SAGEConv和HeteroGraphConv用法 在自主构建GNN模块前，先了解两个官方实现的GNN模块用法，首先学习 SAGEConv 的用法，GraphSAGE 来自论文 " Inductive Representation Learning on Large Graphs"，消息传递过程为：hN(i)(l+1)=aggregate({hj(l),∀j∈N(i)})h_{N(i)}^{(l+1)}=agg
DGL入坑
weixin_45606655的博客
05-26 450
DGL教学 文章目录DGL教学1. 数据集2. 图特征3. Graph Loader and Training4. 自定义图神经网络 DGL官方文档：https://docs.dgl.ai/index.html 1. 数据集 from dgl.data import DGLDataset class MyDataset(DGLDataset): def __init__(self, url=None, raw_dir=None,
dgl.c.tar.gz_Work It
09-24
The beginnings of a fork of DirectFB to work with the MGL in a sort of QuartzXtreme capacity, I only put in what I have done and nothing else, as I create more I will put that up here as well. ...
dgl22_log.ldf
11-14
dgl22_log.ldf
基于DGL的图机器学习任务.zip
02-15
通过这个项目，学习者可以深入理解如何利用DGL库进行图数据的前处理、模型构建、训练和评估，从而掌握图机器学习的基本流程和技巧。对于想要在图学习领域进一步研究或者应用的人来说，这是一个非常有价值的资源。...
Messagepassingtest_GCN_DGL.py
最新发布
04-26
Messagepassingtest_GCN_DGL.py
DGL-waic-2019-master.zip
02-14
《DGL在WAIC 2019大会的应用与深入理解》 DGL，全称为Deep Graph Library，是一个用于图神经网络（GNN）的高级库，它为开发者提供了丰富的功能，以支持大规模图数据的高效处理。在这个名为"DGL-waic-2019-master....
DGL 中的update_all函数 的详细理解
znsoft的专栏
03-28 3656
所有讨论是以以下代码为基础进行： import dgl import torch as th from dglfn import dgl_fn import dgl.function as fn # https://blog.csdn.net/CY19980216/article/details/110629996? device=th.device("cuda" if th.cuda.is_available() else 'cpu') u= th.tensor([0,1,2,3,4.
DGL在异构图上进行消息传递
qq_43858783的博客
11-21 113
异构图是包含不同类型的节点和边的图。不同类型的节点和边常常具有不同类型的属性。这些属性旨在刻画每一种节点和边的特征。在使用图神经网络时，根据其复杂性， 可能需要使用不同维度的表示来对不同类型的节点和边进行建模。还接受一个字符串来表示跨类型整合函数，来指定。这个字典的每一个键值对里，
dgl库之高级用法dgl.DGLGraph.update_all
qq_43391414的博客
12-11 2980
afd
跟着官方文档学DGL框架第四天——消息传递机制
beilizhang的博客
09-11 2422
主要参考：https://docs.dgl.ai/guide/message.html 整体结构 消息传递机制主要分为三个部分 1.消息产生 2.消息聚合 3.更新特征 消息产生 公式如下： me(t+1)=ϕ(xv(t),xu(t),we(t)),(u,v,e∈ε)m_{e}^{\left ( t+1\right )}=\phi \left ( x_{v}^{\left ( t\right )},x_{u}^{\left ( t\right )},w_{e}^{\left ( t\right )}\rig
DGL官方教程二——使用DGL进行批量图分类
weixin_43153762的博客
06-11 8789
enumerate的用法：https://blog.csdn.net/liu_xzhen/article/details/79564455 map函数 zip（） zip（*）：https://blog.csdn.net/qq_42707449/article/details/81122741 .pop(): https://www.cnblogs.com/foremostxl/p/9365...
DGL update_all
weixin_43889416的博客
12-03 450
来源：https://docs.dgl.ai/guide_cn/message-api.html#guide-cn-message-passing-api
DGL官方教程--异构图
weixin_45613751的博客
02-02 1万+
Note: Click here to download the full example code Working with Heterogeneous Graphs Author: Quan Gan, Minjie Wang, Mufei Li, George Karypis, Zheng Zhang 在此教程中，我们将要学到以下内容： 异构图形数据的示例和典型应用。 在DGL中创建和处...
DGL官方学习教程一 ——基础操作&消息传递
热门推荐
weixin_43153762的博客
06-06 1万+
1.DGL Basics 图神经网络库DGL的基础操作：https://blog.csdn.net/u014281392/article/details/89436033 DGL 作者答疑！关于 DGL 你想知道的都在这里：https://mp.weixin.qq.com/s?__biz=MzI2MDE5MTQxNg==&mid=2649695390&idx=1&sn=...
dgl.nn.pytorch中edge_softmax的参数
04-27
在dgl.nn.pytorch中，edge_softmax函数的参数是边权重张量和图对象。具体来说，函数的定义如下： ```python def edge_softmax(graph, efeat): r"""Apply softmax over the edges of a graph. Description -----...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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