dgl.adj_sum_graph

dgl.adj_sum_graph(graphs, weight_name)

创建一个加权图，其邻接矩阵是给定图的邻接矩阵之和，其中行表示源节点，列表示目标节点。

所有图必须是简单图，且必须只有一种边类型。它们还必须具有相同的元图，即具有相同的源节点类型和目标节点类型。此外，每个图的节点数量也必须相同。

返回图的元图将与输入图相同。

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

此函数支持 CPU 和 GPU。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分的。

如果图格式受限，则两个图都必须支持 CSR 格式。

参数:

• graphs (list[DGLGraph]) – 图的列表。必须至少包含一个元素。

• weight_name (str) –

  两个图的边权重的特征名称。

  对应的边特征必须是标量。

返回值:

新图。返回图的边权重将具有与 weight_name 相同的特征名称。

返回类型:

DGLGraph

示例

下面展示了两个二分图之间的加权邻接矩阵求和。您也可以在同质图之间执行此操作。

>>> 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(
...     {('A', 'AB', 'B'): ([1, 2, 0, 2, 1, 0], [0, 3, 2, 1, 3, 3])},
...     num_nodes_dict={'A': 3, 'B': 4})
>>> A.edata['w'] = torch.randn(6).requires_grad_()
>>> B.edata['w'] = torch.randn(6).requires_grad_()

如果您的图是多重图，请先调用 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_()

求和。

>>> C = dgl.adj_sum_graph([A, B], 'w')
>>> C.edges()
(tensor([0, 0, 0, 1, 1, 1, 2, 2, 2, 2]),
 tensor([0, 2, 3, 2, 0, 3, 0, 1, 2, 3]))

请注意，此函数是可微分的

>>> C.edata['w'].sum().backward()
>>> A.edata['w'].grad
tensor([1., 1., 1., 1., 1., 1.])

>>> B.edata['w'].grad
tensor([1., 1., 1., 1., 1., 1.])