torch_geometric.transforms

变换是一种修改和自定义Data或HeteroData对象的通用方法，可以通过隐式地将它们作为参数传递给Dataset，或者通过显式地将它们应用于单个Data或HeteroData对象来实现：

import torch_geometric.transforms as T
from torch_geometric.datasets import TUDataset

transform = T.Compose([T.ToUndirected(), T.AddSelfLoops()])

dataset = TUDataset(path, name='MUTAG', transform=transform)
data = dataset[0]  # Implicitly transform data on every access.

data = TUDataset(path, name='MUTAG')[0]
data = transform(data)  # Explicitly transform data.

通用转换

BaseTransform	用于编写转换的抽象基类。
Compose	将多个转换组合在一起。
ComposeFilters	将多个过滤器组合在一起。
ToDevice	执行张量设备转换，可以针对Data对象的所有属性，也可以仅针对attrs指定的属性（功能名称：to_device）。
ToSparseTensor	将同质或异质数据对象的edge_index属性转换为转置的torch_sparse.SparseTensor或PyTorch torch.sparse.Tensor对象，键为adj_t（功能名称：to_sparse_tensor）。
Constant	向每个节点特征 x 添加一个常数值（功能名称：constant）。
NormalizeFeatures	将attrs中给出的属性行归一化，使其总和为一（功能名称：normalize_features）。
SVDFeatureReduction	通过奇异值分解（SVD）对节点特征进行降维（功能名称：svd_feature_reduction）。
RemoveTrainingClasses	从节点级训练集中移除由data.train_mask指定的类，例如，为了获得零样本标签场景（函数名称：remove_training_classes）。
RandomNodeSplit	通过向Data或HeteroData对象添加train_mask、val_mask和test_mask属性来执行节点级别的随机分割（功能名称：random_node_split）。
RandomLinkSplit	对Data或HeteroData对象进行边级别的随机分割，分为训练集、验证集和测试集（功能名称：random_link_split）。
NodePropertySplit	根据给定的节点属性创建一个具有分布偏移的节点级分割，如"评估图模型在结构分布偏移下的鲁棒性和不确定性"论文中所提出的（功能名称：node_property_split）。
IndexToMask	将索引转换为掩码表示（功能名称：index_to_mask）。
MaskToIndex	将掩码转换为索引表示（功能名称：mask_to_index）。
Pad	应用填充以强制一致的张量形状（功能名称：pad）。

图变换

ToUndirected	将同质或异质图转换为无向图，使得对于每一条边 \((i,j) \in \mathcal{E}\)，都有 \((j,i) \in \mathcal{E}\)（函数名称：to_undirected）。
OneHotDegree	将节点度数作为独热编码添加到节点特征中（功能名称：one_hot_degree）。
TargetIndegree	保存目标节点的全局归一化度（功能名称：target_indegree）。
LocalDegreeProfile	从"A Simple yet Effective Baseline for Non-attribute Graph Classification"论文中附加局部度分布（LDP）（功能名称：local_degree_profile）。
AddSelfLoops	向给定的同质或异质图添加自环（功能名称：add_self_loops）。
AddRemainingSelfLoops	向给定的同质或异质图添加剩余的自环（功能名称：add_remaining_self_loops）。
RemoveSelfLoops	移除给定同质或异质图中的所有自环（功能名称：remove_self_loops）。
RemoveIsolatedNodes	从图中移除孤立的节点（功能名称：remove_isolated_nodes）。
RemoveDuplicatedEdges	从给定的同质或异质图中移除重复的边。
KNNGraph	基于节点位置 data.pos 创建一个k-NN图（功能名称：knn_graph）。
RadiusGraph	根据节点位置 data.pos 创建边，连接到给定距离内的所有点（函数名称：radius_graph）。
ToDense	将稀疏邻接矩阵转换为形状为[num_nodes, num_nodes, *]的密集邻接矩阵（功能名称：to_dense）。
TwoHop	将两跳边添加到边索引中（功能名称：two_hop）。
LineGraph	将图转换为其对应的线图（功能名称：line_graph）。
LaplacianLambdaMax	计算由torch_geometric.utils.get_laplacian()给出的图拉普拉斯矩阵的最高特征值（函数名称：laplacian_lambda_max）。
GDC	通过来自"扩散改进图学习"论文的图扩散卷积（GDC）处理图（功能名称：gdc）。
SIGN	来自"SIGN: Scalable Inception Graph Neural Networks"论文的可扩展Inception图神经网络模块（SIGN）（功能名称：sign），它预先计算了固定的表示。
GCNNorm	应用来自"Semi-supervised Classification with Graph Convolutional Networks"论文的GCN归一化（功能名称：gcn_norm）。
AddMetaPaths	向HeteroData对象添加额外的边类型，这些边类型位于给定metapath的源节点类型和目标节点类型之间，如"异构图注意力网络"论文中所述（功能名称：add_metapaths）。
AddRandomMetaPaths	添加类似于AddMetaPaths的额外边类型。
RootedEgoNets	收集图中每个节点的根\(k\)-跳EgoNets，如"From Stars to Subgraphs: Uplifting Any GNN with Local Structure Awareness"论文中所述。
RootedRWSubgraph	为图中的每个节点收集基于根随机游走的子图，如"From Stars to Subgraphs: Uplifting Any GNN with Local Structure Awareness"论文中所述。
LargestConnectedComponents	选择图中对应最大连通组件的子图（功能名称：largest_connected_components）。
VirtualNode	将一个虚拟节点附加到给定的同质图中，该节点连接到所有其他节点，如"Neural Message Passing for Quantum Chemistry"论文中所述（功能名称：virtual_node）。
AddLaplacianEigenvectorPE	将来自"Benchmarking Graph Neural Networks"论文的拉普拉斯特征向量位置编码添加到给定的图中（函数名称：add_laplacian_eigenvector_pe）。
AddRandomWalkPE	将来自"Graph Neural Networks with Learnable Structural and Positional Representations"论文的随机游走位置编码添加到给定的图中（函数名称：add_random_walk_pe）。
FeaturePropagation	来自"On the Unreasonable Effectiveness of Feature propagation in Learning on Graphs with Missing Node Features"论文的特征传播算子（函数名称：feature_propagation）。
HalfHop	来自"Half-Hop: A Graph Upsampling Approach for Slowing Down Message Passing"论文的图上采样增强方法。

视觉变换

Distance	在其边属性中保存连接节点的欧几里得距离（功能名称：distance）。
Cartesian	在其边缘属性中保存链接节点的相对笛卡尔坐标（功能名称：cartesian）。
LocalCartesian	在其边缘属性中保存链接节点的相对笛卡尔坐标（功能名称：local_cartesian）。
Polar	在其边缘属性中保存链接节点的极坐标（功能名称：polar）。
Spherical	在其边缘属性中保存链接节点的球面坐标（功能名称：spherical）。
PointPairFeatures	计算旋转不变的点对特征（功能名称：point_pair_features）。
Center	将节点位置 data.pos 居中于原点（功能名称：center）。
NormalizeRotation	根据点云的特征向量旋转所有点（函数名称：normalize_rotation）。
NormalizeScale	将节点位置居中并归一化到区间 \((-1, 1)\)（功能名称：normalize_scale）。
RandomJitter	通过随机采样的平移值在给定区间内平移节点位置（功能名称：random_jitter）。
RandomFlip	以给定的概率随机沿给定轴翻转节点位置（功能名称：random_flip）。
LinearTransformation	使用离线计算的方形变换矩阵转换节点位置 data.pos（功能名称：linear_transformation）。
RandomScale	通过随机采样的因子\(s\)在给定区间内缩放节点位置，例如，生成变换矩阵（函数名称：random_scale）。
RandomRotate	围绕特定轴随机采样一个给定区间内的因子来旋转节点位置（功能名称：random_rotate）。
RandomShear	通过随机采样的因子\(s\)在给定区间内剪切节点位置，例如，生成变换矩阵（函数名称：random_shear）。
FaceToEdge	将形状为 [3, num_faces] 或 [4, num_faces] 的网格面转换为形状为 [2, num_edges] 的边索引（函数名称：face_to_edge）。
SamplePoints	根据网格面的面积均匀采样固定数量的点（函数名称：sample_points）。
FixedPoints	从点云中采样固定数量的点和特征（功能名称：fixed_points）。
GenerateMeshNormals	基于相邻面为每个网格节点生成法向量（函数名称：generate_mesh_normals）。
Delaunay	计算一组点的德劳内三角剖分（函数名称：delaunay）。
ToSLIC	使用skimage.segmentation.slic()算法将图像转换为超像素表示，结果生成一个torch_geometric.data.Data对象，该对象在data.pos中保存超像素的质心，并在data.x中保存其平均颜色（功能名称：to_slic）。
GridSampling	将点聚类成固定大小的体素（功能名称：grid_sampling）。