dgl.readout_nodes

dgl.readout_nodes(graph, feat, weight=None, *, op='sum', ntype=None)

通过聚合节点特征 feat 生成图级别的表示。

该函数通常用作批处理图上的 readout 函数，以生成图级别的表示。因此，结果张量的形状取决于输入图的批处理大小。给定一个批处理大小为 \(B\) 且特征大小为 \(D\) 的图，结果形状将是 \((B, D)\)，其中每一行是每个图的聚合节点特征。

参数:

• graph (DGLGraph.) – 输入图。

• feat (str) – 节点特征名称。

• weight (str, optional) – 节点权重名称。None 表示无权重聚合。否则，在聚合之前将每个节点特征乘以节点特征 weight。权重特征形状必须与特征张量的元素级乘法兼容。

• op (str, optional) – Readout 操作符。可以是 ‘sum’、‘max’、‘min’、‘mean’。

• ntype (str, optional) – 节点类型。如果图中只有一种节点类型，可以省略。

返回:

结果张量。

返回类型:

张量

示例

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

创建两个 DGLGraph 对象并初始化它们的节点特征。

>>> g1 = dgl.graph(([0, 1], [1, 0]))              # Graph 1
>>> g1.ndata['h'] = th.tensor([1., 2.])
>>> g2 = dgl.graph(([0, 1], [1, 2]))              # Graph 2
>>> g2.ndata['h'] = th.tensor([1., 2., 3.])

在一个图上求和

>>> dgl.readout_nodes(g1, 'h')
tensor([3.])  # 1 + 2

在一个批处理图上求和

>>> bg = dgl.batch([g1, g2])
>>> dgl.readout_nodes(bg, 'h')
tensor([3., 6.])  # [1 + 2, 1 + 2 + 3]

加权求和

>>> bg.ndata['w'] = th.tensor([.1, .2, .1, .5, .2])
>>> dgl.readout_nodes(bg, 'h', 'w')
tensor([.5, 1.7])

按最大值聚合

>>> dgl.readout_nodes(bg, 'h', op='max')
tensor([2., 3.])

另见

readout_edges