DGL 中的update_all函数 的详细理解

所有讨论均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([0,1,2,3,4,3,4])
v= th.tensor([2,0,1,5,3,2,1])
g=dgl.graph((u,v)).to(device)
#print(g.edges())

g.ndata["value"]=th.ones(g.num_nodes(),3).to(device)  #每个值 都是3维向量
#print(g.ndata["value"])
#g.ndata["ft"]=th.tensor([0,1,2,3,4,5],dtype=th.float32).to(device)
g.edata["weights"]=th.ones(g.num_edges(),3).to(device)
dgl_fn.StartGraph(size=(12,10),title="DGL网络")


dgl_fn.AddGraph(221,g,"value",'weights')
g.apply_edges(fn.u_add_v('value','value','weights'))  #计算边的两个节点的相关运算，并存于边上。

#  计算方法： 源节点+目标节点值 ， 例如： 0,1 的wegiths 为1， 2，得出边1 的值 为 3

#g.update_all(fn.u_add_v("value","value","m"),fn.sum("m","weights"))

dgl_fn.AddGraph(222,g,"value",'weights')

#print("the weights of edgs",g.edata["weights"])  #边的权重变为每个元素为2的矩阵

def updata_all_example(graph):
	# store the result in graph.ndata['ft']
	graph.update_all(fn.u_mul_e('value', 'weights', 'm'), fn.sum('m', 'ft'))    # torch.sum(x, 1)
	
	# Call update function outside of update_all
	final_ft = graph.ndata['ft'] 
	return final_ft

all=updata_all_example(g)
#  从源节点到它指向的边，相乘后的值 存放于m中，再对m和ft中的值 进行相加
#
#
#print(g.edges())
print(all)

dgl_fn.AddGraph(223,g,"value",'weights')
dgl_fn.ShowGraph()

在这张图中，有6个节点，总共有7条边。

如图所示:

 

 

为简化起见，预设原始的每节点的value特征是 [1.1,1], 原始的 每条边的权重 wegiths为[1,1,1].

在执行

g.apply_edges(fn.u_add_v('value','value','weights'))   #这个函数 没啥可说的，就是直接向量相加，存到边上

后，所有边分别的权重，即每条边的特征  weights 为  [2,2,2], 没错，是个向量。

记住上面的值 ，即边的weights 权重为 [2,2,2], 每个节点的value为[1,1,1]

最复杂的是下面这句

def updata_all_example(graph):

    # store the result in graph.ndata['ft']

    graph.update_all(fn.u_mul_e('value', 'weights', 'm'), fn.sum('m', 'ft'))    # torch.sum(x, 1)

    

    # Call update function outside of update_all

    final_ft = graph.ndata['ft'] 

    return final_ft

 

调用以上函数：

all=updata_all_example(g)

上面的操作是对每条边进行如下操作：

取源节点的value特征乘以与它相连的边的权重weghts, 这里的乘是向量的按位乘，即相同位置的分量相乘后作为同一个位置的结果，相乘后的值 存放于m中，再对m中的值 进行求和存放于目标节点的mailbox的ft特征中。

print(all)

怎么得到的上面的值 呢？

我们先看最前面的图。 先说一个结论，我们得到的值all是跟节点数一致的一个矩阵。行数即节点数量（这里是6个节点），第一行表示第一个节点0,其它类推。列数是特征维度，即3.

我们有5个节点: 0,1,2,3,4,5

需要详细考察每个节点的入度（是的，dgl是有向图，只算入度。update_all 只影响有入度的顶点，下面标的出度只是为了形象起见，并不影响值 ）

0： 1 入  （1出）

1： 2 入 （1出）

2： 2入 （1出）

3：1 入（2出）

4：0入（2出）

5： 1入（0出）

再对照 上图中的值 ，有没有想明白是啥意思？

对： 只计算入度。 以节点1为例 ，每个入度得到的值是  [1,1,1] * [2,2,2] ->  [2,2,2], 总共有两个入度，作sum后，即是 [4,4,4], 对应上面结果中的第二行。

看明白没？

对，出度不会影响这个计算值 。所以，对于节点4, 它的sum后的结果就 [0, 0,0]

 

当然，我们上面的程序中没有更新函数。如果需要，可以直接更新目标节点的相应的特征值 。

 

有一点要注意： mailbox其实是一个抽象的概念，在消息函数运行后，每条边都有一个mailbox以及相关的特征，如上面的 mailbox 中的特征 ｍ，　 聚合函数就是把这个点的所有入度的mailbox中的ｍ合并起来，合并的方法函数叫聚合函数。

这点刚开始有点费解。

比如顶点1, 它有两个入度，在执行完消息函数后，其实有两个mailbox ,里面都有一个ｍ 特征， 聚合函数的作用就是把这些多个ｍ　合并起来，然后存在当前节点 １的ft 特征中。