dgl.dataloading

dgl.dataloading 包提供了两个基本原语，用于构建从图数据加载的数据管道。Sampler 代表从原始图生成子图样本的算法，而 DataLoader 代表对这些样本进行迭代的迭代器。

DGL 提供了一些内置的采样器，它们是 Sampler 的子类。创建新的采样器遵循相同的范例。阅读我们的用户指南章节第6章：大规模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。

DataLoaders

`DataLoader`	采样图数据加载器。
`GraphDataLoader`	批处理图数据加载器。

`Sampler`	图采样器的基类。
`NeighborSampler`	通过邻居采样为多层 GNN 构建节点表示计算依赖关系的采样器。
`LaborSampler`	通过 Labor 采样为多层 GNN 构建节点表示计算依赖关系的采样器，来自 NeurIPS 2023 论文 Layer-Neighbor Sampling -- Defusing Neighborhood Explosion in GNNs。
`MultiLayerFullNeighborSampler`	通过从所有邻居获取消息为多层 GNN 构建节点表示计算依赖关系的采样器。
`ClusterGCNSampler`	来自 Cluster-GCN: 一种训练深度大型图卷积网络的有效算法的聚类采样器。
`ShaDowKHopSampler`	来自 Deep Graph Neural Networks with Shallow Subgraph Samplers 的 K 跳子图采样器。
`SAINTSampler`	来自 GraphSAINT: 基于图采样的归纳学习方法的随机节点/边/游走采样器。

`as_edge_prediction_sampler`(sampler[, ...])	从节点级采样器创建边级采样器。
`BlockSampler`([prefetch_node_feats, ...])	用于以消息传递流图 (MFGs) 形式采样 mini-batch 的基类。

`Uniform`	`PerSourceUniform` 的别名
`PerSourceUniform`	根据均匀分布为每个源节点随机选择负目标节点的负采样器。
`GlobalUniform`	根据均匀分布随机选择负源-目标对的负采样器。