dgl.DGLGraph.local_scope

DGLGraph.local_scope()

进入图的本地作用域上下文。

通过进入本地作用域，任何对特征数据的非原地修改都不会反映到原始图上，从而使其更容易在函数作用域中使用（例如模型的正向计算）。

如果设置，本地作用域将对节点特征和边特征使用相同的初始化器。

注意事项

原地操作确实会反映到原始图上。当图中特征张量数量较少时，此函数开销也很小。

示例

以下示例使用 PyTorch 后端。

>>> import dgl
>>> import torch

创建一个用于图计算的函数。

>>> def foo(g):
...     with g.local_scope():
...         g.edata['h'] = torch.ones((g.num_edges(), 3))
...         g.edata['h2'] = torch.ones((g.num_edges(), 3))
...         return g.edata['h']

local_scope 可以避免在函数退出时改变图特征。

>>> g = dgl.graph((torch.tensor([0, 1, 1]), torch.tensor([0, 0, 2])))
>>> g.edata['h'] = torch.zeros((g.num_edges(), 3))
>>> newh = foo(g)
>>> print(g.edata['h'])  # still get tensor of all zeros
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
>>> 'h2' in g.edata      # new feature set in the function scope is not found
False

原地操作仍然会反映到原始图上。

>>> def foo(g):
...     with g.local_scope():
...         # in-place operation
...         g.edata['h'] += 1
...         return g.edata['h']

>>> g = dgl.graph((torch.tensor([0, 1, 1]), torch.tensor([0, 0, 2])))
>>> g.edata['h'] = torch.zeros((g.num_edges(), 1))
>>> newh = foo(g)
>>> print(g.edata['h'])  # the result changes
tensor([[1.],
        [1.],
        [1.]])

另请参阅

local_var