dgl.broadcast_nodes

dgl.broadcast_nodes(graph, graph_feat, *, ntype=None)

生成一个节点特征，其值等于图级别的特征 graph_feat。

此操作类似于 numpy.repeat（或 torch.repeat_interleave）。它常用于通过一个全局向量来规范化节点特征。例如，将图中所有节点特征规范化到范围 \([0~1)\)

>>> g = dgl.batch([...])  # batch multiple graphs
>>> g.ndata['h'] = ...  # some node features
>>> h_sum = dgl.broadcast_nodes(g, dgl.sum_nodes(g, 'h'))
>>> g.ndata['h'] /= h_sum  # normalize by summation

参数：

• graph (DGLGraph) – 图。

• graph_feat (tensor) – 要广播的特征。对于批处理图，张量形状为 \((B, *)\)，其中 \(B\) 是批大小。

• ntype (str, optional) – 节点类型。如果只有一个节点类型，可以省略。

返回值：

节点特征张量，形状为 \((N, *)\)，其中 \(N\) 是节点数量。

返回类型：

Tensor

示例

>>> import dgl
>>> import torch as th

创建两个 DGLGraph 对象并初始化其节点特征。

>>> g1 = dgl.graph(([0], [1]))                    # Graph 1
>>> g2 = dgl.graph(([0, 1], [1, 2]))              # Graph 2
>>> bg = dgl.batch([g1, g2])
>>> feat = th.rand(2, 5)
>>> feat
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014]])

将特征广播到批处理图中的所有节点，feat[i] 会广播到批次中第 i 个样本的节点。

>>> dgl.broadcast_nodes(bg, feat)
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014],
        [0.2721, 0.4629, 0.7269, 0.0724, 0.1014]])

将特征广播到单个图中的所有节点（要广播的特征张量形状应为 \((1, *)\)）。

>>> feat0 = th.unsqueeze(feat[0], 0)
>>> dgl.broadcast_nodes(g1, feat0)
tensor([[0.4325, 0.7710, 0.5541, 0.0544, 0.9368],
        [0.4325, 0.7710, 0.5541, 0.0544, 0.9368]])

另请参阅

broadcast_edges