1?torch_geometric.utils.add_self_loops

add_self_loops(edge_index, edge_weight: Optional[torch.Tensor] = None, fill_value: float = 1.0, num_nodes: Optional[int] = None)

在edge_index中，對(duì)圖上每個(gè)節(jié)點(diǎn)i，添加一條邊（i，i）

參數(shù)介紹

edge_index?(LongTensor)?	原圖的edge_index
edge_weight?(Tensor,?optional)	原圖那些邊的weight 【一維數(shù)組，維度需要和原來(lái)的邊數(shù)量一致】 【此時(shí)自環(huán)的權(quán)重默認(rèn)為1】
fill_value?(float,?optional)	如果edge_weight非空，將用fill_value作為自環(huán)的weight
num_nodes?(int,?optional)?	最初的多少個(gè)點(diǎn)進(jìn)行自環(huán)（沒(méi)有這個(gè)參數(shù)的話，就是默認(rèn)所有的點(diǎn)）

?返回內(nèi)容

????????(LongTensor,?Tensor) 第一個(gè)維度是更新后的edge_idx，第二個(gè)維度是邊權(quán)重，如果沒(méi)有設(shè)置edge_weight，那么第二個(gè)維度是None

2?torch_geometric.utils.remove_self_loops

去除自環(huán)

remove_self_loops(edge_index, edge_attr: Optional[torch.Tensor] = None)

3 torch_geometric.utils.degree

degree(index, num_nodes: Optional[int] = None, dtype: Optional[int] = None)

計(jì)算一個(gè)給定的一維index tensor的度

num_nodes也是表示計(jì)算多少個(gè)點(diǎn)的度

x,y=edge_index x,y #(tensor([0, 1, 2, 0, 3]), tensor([1, 0, 1, 3, 2]))torch_geometric.utils.degree(x) #tensor([2., 1., 1., 1.]) #0~3這四個(gè)點(diǎn)的出度torch_geometric.utils.degree(y) #tensor([1., 2., 1., 1.]) #0~3這四個(gè)點(diǎn)的入度

4?torch_geometric.utils.get_laplacian

通過(guò)edge_index和可能有的edge_weight，計(jì)算圖拉普拉斯矩陣

get_laplacian(edge_index, edge_weight: Optional[torch.Tensor] = None, normalization: Optional[str] = None, dtype: Optional[int] = None, num_nodes: Optional[int] = None)

?參數(shù)說(shuō)明?

edge_index?(LongTensor)?	原圖的edge_index
edge_weight?(Tensor,?optional)?	邊權(quán)重
normalization?	圖拉普拉斯矩陣的歸一化方法：默認(rèn)是sym None 沒(méi)有歸一化? ? ??? "sym" 對(duì)稱歸一化? ? ? ?? "rw" 隨機(jī)游走歸一化? ?
dtype?(torch.dtype,?optional)?
num_nodes?(int,?optional)?	表示計(jì)算多少個(gè)點(diǎn)的拉普拉斯矩陣

5?to_networkx

to_networkx(data, node_attrs=None, edge_attrs=None, to_undirected=False, remove_self_loops=False)

參數(shù)說(shuō)明

data?(torch_geometric.data.Data)?	需要轉(zhuǎn)換的Data數(shù)據(jù)
node_attrs?(iterable of str,?optional)?	需要轉(zhuǎn)換的點(diǎn)屬性
edge_attrs?(iterable of str,?optional)?	需要轉(zhuǎn)化的邊屬性
to_undirected?(bool,?optional)?	如果是True，那么返回的就是networkx.Graph 如果是False，那么返回的就是networkx.DiGraph 無(wú)向圖會(huì)根據(jù)相應(yīng)鄰接矩陣的上三角矩陣進(jìn)行創(chuàng)建
remove_self_loops?(bool,?optional)?	是否移除自環(huán)

我們以ENZYMES數(shù)據(jù)集的第一個(gè)data為例：

torch_geometric筆記：數(shù)據(jù)集 ENZYMES &Minibatches_UQI-LIUWJ的博客-CSDN博客

import networkx as nx import matplotlib.pyplot as plt from torch_geometric.datasets import TUDataset from torch_geometric.utils import to_networkxdataset = TUDataset(root='', name='ENZYMES')dataset[0] #Data(edge_index=[2, 168], x=[37, 3], y=[1])x=to_networkx(dataset[0]) nx.draw(x, with_labels=True)

?

總結(jié)

以上是生活随笔為你收集整理的torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。