MinesweeperDataset

class dgl.data.MinesweeperDataset(raw_dir=None, force_reload=False, verbose=True, transform=None)

基类：HeterophilousGraphDataset

来自论文《对异质性下 GNN 评估的批判性审视：我们真的在进步吗？https://arxiv.org/abs/2302.11640》的 Minesweeper 数据集。

此数据集灵感来源于扫雷游戏。图是一个规则的 100x100 网格，其中每个节点（单元格）连接到八个相邻节点（网格边缘的节点除外，它们有较少的邻居）。20% 的节点被随机选为地雷。任务是预测哪些节点是地雷。节点特征是相邻地雷数量的独热编码。然而，对于随机选取的 50% 节点，其特征是未知的，这由一个单独的二元特征指示。

统计数据

• 节点数：10000

• 边数：78804

• 类别数：2

• 节点特征数：7

• 10 个训练/验证/测试分割

参数：

• raw_dir (str, 可选) – 用于存储处理后的数据的原始文件目录。默认值：~/.dgl/

• force_reload (bool, 可选) – 是否重新下载数据源。默认值：False

• verbose (bool, 可选) – 是否打印进度信息。默认值：True

• transform (callable, 可选) – 一个转换函数，接受一个 DGLGraph 对象并返回一个转换后的版本。DGLGraph 对象将在每次访问前被转换。默认值：None

num_classes

节点类别数

类型：

int

示例

>>> from dgl.data import MinesweeperDataset
>>> dataset = MinesweeperDataset()
>>> g = dataset[0]
>>> num_classes = dataset.num_classes

>>> # get node features
>>> feat = g.ndata["feat"]

>>> # get the first data split
>>> train_mask = g.ndata["train_mask"][:, 0]
>>> val_mask = g.ndata["val_mask"][:, 0]
>>> test_mask = g.ndata["test_mask"][:, 0]

>>> # get labels
>>> label = g.ndata['label']

__getitem__(idx)

获取索引处的数据对象。

__len__()

数据集中的示例数量。