dgl.node_type_subgraph

dgl.node_type_subgraph(graph, ntypes, output_device=None)[source]

返回由给定节点类型诱导的子图。

节点类型诱导子图包含图中给定节点类型的子集中的所有节点，以及所有其端点都在该子集中的边。除了抽取子图外，DGL 还会将抽取出的节点和边的特征复制到结果图中。复制是惰性的，只在需要时才会发生数据移动。

参数:

graph (DGLGraph) – 要从中抽取子图的图。
ntypes (list[str]) – 子图中节点的类型名称。
output_device (框架特定的设备上下文对象, 可选) – 输出设备。默认为与输入图相同的设备。

返回值:

G – 子图。

返回类型:

DGLGraph

注意事项

此函数会丢弃批处理信息。请在变换后的图上使用 dgl.DGLGraph.set_batch_num_nodes() 和 dgl.DGLGraph.set_batch_num_edges() 来维护这些信息。

示例

以下示例使用 PyTorch 后端。

>>> import dgl
>>> import torch

实例化一个异构图。

>>> g = dgl.heterograph({
>>>     ('user', 'plays', 'game'): ([0, 1, 1, 2], [0, 0, 2, 1]),
>>>     ('user', 'follows', 'user'): ([0, 1, 1], [1, 2, 2])
>>> })
>>> # Set node features
>>> g.nodes['user'].data['h'] = torch.tensor([[0.], [1.], [2.]])

获取子图。

>>> sub_g = g.node_type_subgraph(['user'])
>>> print(sub_g)
Graph(num_nodes=3, num_edges=3,
      ndata_schemes={'h': Scheme(shape=(1,), dtype=torch.float32)}
      edata_schemes={})

获取抽取出的节点特征。

>>> sub_g.nodes['user'].data['h']
tensor([[0.],
        [1.],
        [2.]])

另请参阅

edge_type_subgraph