dgl.DGLGraph.prop_nodes
- DGLGraph.prop_nodes(nodes_generator, message_func, reduce_func, apply_node_func=None, etype=None)[source]
通过依次在节点上触发
pull()，使用图遍历传播消息。遍历顺序由
nodes_generator指定。它生成节点前沿，即节点的列表或张量。同一前沿中的节点将一起触发，而不同前沿中的节点将根据生成顺序触发。- Parameters:
nodes_generator (iterable[node IDs]) – 节点边界的生成器。每个边界是一组存储在Tensor或python可迭代对象中的节点ID。 它指定了哪些节点在每一步执行
pull()。message_func (dgl.function.BuiltinFunction 或 可调用) – 用于沿边生成消息的消息函数。 它必须是 DGL 内置函数 或 用户自定义函数。
reduce_func (dgl.function.BuiltinFunction 或 可调用) – 用于聚合消息的reduce函数。 它必须是一个DGL内置函数或一个用户自定义函数。
apply_node_func (callable, optional) – 一个可选的apply函数，用于在消息缩减后进一步更新节点特征。它必须是一个用户自定义函数。
etype (str 或 (str, str, str), 可选) –
边的类型名称。允许的类型名称格式为：
(str, str, str)用于源节点类型、边类型和目标节点类型。或者一个
str边类型名称，如果该名称可以唯一标识图中的三元组格式。
如果图中只有一种类型的边，则可以省略。
示例
>>> import torch >>> import dgl >>> import dgl.function as fn
实例化一个异构图并执行多轮消息传递。
>>> g = dgl.heterograph({('user', 'follows', 'user'): ([0, 1, 2, 3], [2, 3, 4, 4])}) >>> g.nodes['user'].data['h'] = torch.tensor([[1.], [2.], [3.], [4.], [5.]]) >>> g['follows'].prop_nodes([[2, 3], [4]], fn.copy_u('h', 'm'), ... fn.sum('m', 'h'), etype='follows') tensor([[1.], [2.], [1.], [2.], [3.]])
另请参阅