dgl.broadcast_nodes

dgl.broadcast_nodes(graph, graph_feat, *, ntype=None)[source]

生成一个节点特征，该特征等于图级特征 graph_feat。

该操作类似于 numpy.repeat（或 torch.repeat_interleave）。它通常用于通过全局向量对节点特征进行归一化。例如，将图中的节点特征归一化到范围 \([0~1)\)：

>>> g = dgl.batch([...])  # batch multiple graphs
>>> g.ndata['h'] = ...  # some node features
>>> h_sum = dgl.broadcast_nodes(g, dgl.sum_nodes(g, 'h'))
>>> g.ndata['h'] /= h_sum  # normalize by summation

Parameters:

graph (DGLGraph) – The graph.
graph_feat (tensor) – 要广播的特征。张量形状为 \((B, *)\) 用于批处理图，其中 \(B\) 是批量大小。
ntype (str, optional) – 节点类型。如果只有一个节点类型，可以省略。

Returns:

节点特征张量的形状为 \((N, *)\)，其中 \(N\) 是节点的数量。

Return type:

张量

示例

>>> import dgl
>>> import torch as th

Create two DGLGraph objects and initialize their node features.

>>> g1 = dgl.graph(([0], [1]))                    # Graph 1
>>> g2 = dgl.graph(([0, 1], [1, 2]))              # Graph 2
>>> bg = dgl.batch([g1, g2])
>>> feat = th.rand(2, 5)
>>> feat
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014]])

将特征广播到批处理图中的所有节点，feat[i]被广播到批次中第i个示例的节点。

>>> dgl.broadcast_nodes(bg, feat)
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014]])

将特征广播到单个图中的所有节点（要广播的特征张量形状应为 \((1, *)\)）。

>>> feat0 = th.unsqueeze(feat[0], 0)
>>> dgl.broadcast_nodes(g1, feat0)
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.4325, 0.7710, 0.5541, 0.0544, 0.9368]])

另请参阅

broadcast_edges