RadiusGraph

class dgl.nn.pytorch.factory.RadiusGraph(r, p=2, self_loop=False, compute_mode='donot_use_mm_for_euclid_dist')[source]

基类: Module

将一个点集转换为双向图的层，其中邻居位于给定距离内。

RadiusGraph 按以下步骤实现

  1. 计算所有点之间的 NxN 对距离矩阵。

  2. 选取每个点在给定距离内的点作为其邻居。

  3. 构建图，其中从邻居指向每个点都有边。

返回图的节点对应于点集中的点，每个点的邻居都在给定距离内。

参数:

  • r (float) – 邻居的半径。

  • p (float, 可选) –

    Minkowski 度量的幂参数。当 p = 1 时，它等同于 Manhattan 距离 (L1 范数)，当 p = 2 时等同于 Euclidean 距离 (L2 范数)。

    (默认值: 2)

  • self_loop (bool, 可选) –

    半径图是否包含自环。

    (默认值: False)

  • compute_mode (str, 可选) –

    use_mm_for_euclid_dist_if_necessary - 如果 P > 25 或 R > 25，将使用矩阵乘法方法计算欧几里得距离 (p = 2)。 use_mm_for_euclid_dist - 将始终使用矩阵乘法方法计算欧几里得距离 (p = 2)。 donot_use_mm_for_euclid_dist - 将永远不使用矩阵乘法方法计算欧几里得距离 (p = 2)。

    (默认值: donot_use_mm_for_euclid_dist)

示例

以下示例使用 PyTorch 后端。

>>> import dgl
>>> from dgl.nn.pytorch.factory import RadiusGraph

>>> x = torch.tensor([[0.0, 0.0, 1.0],
...                   [1.0, 0.5, 0.5],
...                   [0.5, 0.2, 0.2],
...                   [0.3, 0.2, 0.4]])
>>> rg = RadiusGraph(0.75)
>>> g = rg(x)  # Each node has neighbors within 0.75 distance
>>> g.edges()
(tensor([0, 1, 2, 2, 3, 3]), tensor([3, 2, 1, 3, 0, 2]))

当 get_distances 为 True 时，前向传播返回半径图和对应边的距离。

>>> x = torch.tensor([[0.0, 0.0, 1.0],
...                   [1.0, 0.5, 0.5],
...                   [0.5, 0.2, 0.2],
...                   [0.3, 0.2, 0.4]])
>>> rg = RadiusGraph(0.75)
>>> g, dist = rg(x, get_distances=True)
>>> g.edges()
(tensor([0, 1, 2, 2, 3, 3]), tensor([3, 2, 1, 3, 0, 2]))
>>> dist
tensor([[0.7000],
        [0.6557],
        [0.6557],
        [0.2828],
        [0.7000],
        [0.2828]])
forward(x, get_distances=False)[source]

前向计算。

参数:

  • x (Tensor) – 点的坐标。 \((N, D)\)，其中 \(N\) 表示点集中的点数，\(D\) 表示特征的大小。可以在 CPU 或 GPU 上。点坐标的设备指定了半径图的设备。

  • get_distances (bool, 可选) –

    是否返回半径图中对应边的距离。

    (默认值: False)

返回:

  • DGLGraph – 构建的图。节点 ID 的顺序与 x 中的点一致。

  • torch.Tensor, 可选 – 构建的图中边的距离。距离的顺序与边 ID 一致。