dgl.dataloading

dgl.dataloading 包提供了两个原语来构建从图数据中加载的数据管道。Sampler 表示从原始图中生成子图样本的算法，而 DataLoader 表示这些样本的可迭代对象。

DGL 提供了许多内置的采样器，这些采样器是 Sampler 的子类。 创建新的采样器遵循相同的范式。请阅读我们的用户指南章节 第6章：大型图上的随机训练 以获取更多示例和解释。

整个包仅适用于PyTorch后端。

数据加载器

DataLoader	采样图数据加载器。
GraphDataLoader	批量图数据加载器。
DistNodeDataLoader	用于分布式图存储的节点采样图数据加载器。
DistEdgeDataLoader	用于分布式图存储的边缘采样图数据加载器。

采样器

Sampler	图采样器的基类。
NeighborSampler	通过多层GNN的邻居采样构建节点表示计算依赖关系的采样器。
LaborSampler	Sampler that builds computational dependency of node representations via labor sampling for multilayer GNN from the NeurIPS 2023 paper Layer-Neighbor Sampling -- Defusing Neighborhood Explosion in GNNs
MultiLayerFullNeighborSampler	采样器通过从多层GNN的所有邻居获取消息来构建节点表示的计算依赖关系。
ClusterGCNSampler	从Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks中提取的集群采样器
ShaDowKHopSampler	K跳子图采样器来自Deep Graph Neural Networks with Shallow Subgraph Samplers。
SAINTSampler	从GraphSAINT: 基于图采样的归纳学习方法中随机采样节点/边/路径

采样器变换

as_edge_prediction_sampler(sampler[, ...])	从节点采样器创建一个边采样器。
BlockSampler([prefetch_node_feats, ...])	用于以消息传递流图（MFGs）形式采样小批量的基类。

链接预测的负采样器

Uniform	alias of PerSourceUniform
PerSourceUniform	负采样器，根据均匀分布为每个源节点随机选择负目标节点。
GlobalUniform	负采样器，根据均匀分布随机选择负的源-目的地对。

用于特征预取的实用类和函数

set_node_lazy_features	Assign lazy features to the ndata of the input graph for prefetching optimization.
set_edge_lazy_features	Assign lazy features to the edata of the input graph for prefetching optimization.
set_src_lazy_features	Assign lazy features to the srcdata of the input graph for prefetching optimization.
set_dst_lazy_features	Assign lazy features to the dstdata of the input graph for prefetching optimization.
LazyFeature	特征预取的占位符。