dgl.adj_product_graph
- dgl.adj_product_graph(A, B, weight_name, etype='_E')[source]
创建一个加权图，其邻接矩阵是给定两个图的邻接矩阵的乘积。
具体来说，给定两个加权图
A和B，它们的行表示源节点，列表示目标节点，此函数返回一个新的图，其加权邻接矩阵是 \(\mathrm{adj}(A) \times \mathrm{adj}(B)\)。这两个图必须是简单图，并且只能有一种边类型。此外，
A的目标节点类型与B的源节点类型的节点数量必须相同。返回图的源节点类型将与图
A的源节点类型相同。返回图的目标节点类型将与图B的目标节点类型相同。如果这两种节点类型相同，则返回的图将是同构图。否则，它将是一个二分图。与
scipy不同，如果结果图中的边权重为零，它不会从图中移除。注释
此函数可在 CPU 和 GPU 上运行。对于 GPU，由于 cuSPARSE 的限制，节点和边的数量必须小于
int32的最大值（即2 ** 31 - 1）。此函数返回的边权重相对于输入边权重是可微的。
如果图格式受限，则两个图都必须提供 CSR 格式。
- 参数:
- 返回:
新的图。返回图的边权重将与
weight_name具有相同的特征名称。- 返回类型:
示例
以下示例展示了两个二分图之间的加权邻接矩阵乘法。只要相同类型的节点数量匹配，你也可以在两个同构图或一个同构图和一个二分图之间执行此操作。
>>> A = dgl.heterograph({ ... ('A', 'AB', 'B'): ([2, 2, 0, 2, 0, 1], [2, 1, 0, 0, 2, 2])}, ... num_nodes_dict={'A': 3, 'B': 4}) >>> B = dgl.heterograph({ ... ('B', 'BA', 'A'): ([0, 3, 2, 1, 3, 3], [1, 2, 0, 2, 1, 0])}, ... num_nodes_dict={'A': 3, 'B': 4})
如果你的图是多重图，你需要先调用
dgl.to_simple()将其转换为简单图。>>> A = dgl.to_simple(A) >>> B = dgl.to_simple(B)
初始化可学习的边权重。
>>> A.edata['w'] = torch.randn(6).requires_grad_() >>> B.edata['w'] = torch.randn(6).requires_grad_()
计算乘积。
>>> C = dgl.adj_product_graph(A, B, 'w') >>> C.edges() (tensor([0, 0, 1, 2, 2, 2]), tensor([0, 1, 0, 0, 2, 1]))
>>> C.edata['w'] tensor([0.6906, 0.2002, 0.0591, 0.3672, 0.1066, 0.1328], grad_fn=<CSRMMBackward>)
注意，此函数是可微的。
>>> C.edata['w'].sum().backward() >>> A.edata['w'].grad tensor([0.7153, 0.2775, 0.7141, 0.7141, 0.7153, 0.7153])
>>> B.edata['w'].grad tensor([0.4664, 0.0000, 1.5614, 0.3840, 0.0000, 0.0000])
如果左操作数的源节点类型与右操作数的目标节点类型相同，则此函数返回同构图。
>>> C.ntypes ['A']
否则，它返回二分图。
>>> A = dgl.heterograph({ ... ('A', 'AB', 'B'): ([2, 2, 0, 2, 0, 1], [2, 1, 0, 0, 2, 2])}, ... num_nodes_dict={'A': 3, 'B': 4}) >>> B = dgl.heterograph({ ... ('B', 'BC', 'C'): ([0, 3, 2, 1, 3, 3], [1, 2, 0, 2, 1, 0])}, ... num_nodes_dict={'C': 3, 'B': 4}) >>> A.edata['w'] = torch.randn(6).requires_grad_() >>> B.edata['w'] = torch.randn(6).requires_grad_() >>> C = dgl.adj_product_graph(A, B, 'w') >>> C.ntypes ['A', 'C']