torch_geometric 笔记：TORCH_GEOMETRIC.UTILS（更新中）

Posted 2021-10-26 UQI-LIUWJ

1 torch_geometric.utils.add_self_loops

add_self_loops(
    edge_index, 
    edge_weight: Optional[torch.Tensor] = None, 
    fill_value: float = 1.0, 
    num_nodes: Optional[int] = None)

在edge_index中，对图上每个节点i，添加一条边（i，i）

参数介绍

edge_index (LongTensor)	原图的edge_index
edge_weight (Tensor, optional)	原图那些边的weight 【一维数组，维度需要和原来的边数量一致】 【此时自环的权重默认为1】
fill_value (float, optional)	如果edge_weight非空，将用fill_value作为自环的weight
num_nodes (int, optional)	最初的多少个点进行自环（没有这个参数的话，就是默认所有的点）

 返回内容

        (LongTensor, Tensor) 第一个维度是更新后的edge_idx，第二个维度是边权重，如果没有设置edge_weight，那么第二个维度是None

2 torch_geometric.utils.remove_self_loops

去除自环

remove_self_loops(
    edge_index, 
    edge_attr: Optional[torch.Tensor] = None)

3 torch_geometric.utils.degree

degree(
    index, 
    num_nodes: Optional[int] = None, 
    dtype: Optional[int] = None)

计算一个给定的一维index tensor的度

num_nodes也是表示计算多少个点的度

x,y=edge_index
x,y
#(tensor([0, 1, 2, 0, 3]), tensor([1, 0, 1, 3, 2]))

torch_geometric.utils.degree(x)
#tensor([2., 1., 1., 1.])
#0~3这四个点的出度

torch_geometric.utils.degree(y)
#tensor([1., 2., 1., 1.])
#0~3这四个点的入度

4 torch_geometric.utils.get_laplacian

通过edge_index和可能有的edge_weight，计算图拉普拉斯矩阵

get_laplacian(
    edge_index, 
    edge_weight: Optional[torch.Tensor] = None, 
    normalization: Optional[str] = None, 
    dtype: Optional[int] = None, 
    num_nodes: Optional[int] = None)

 参数说明 

edge_index (LongTensor)	原图的edge_index
edge_weight (Tensor, optional)	边权重
normalization	图拉普拉斯矩阵的归一化方法：默认是sym None 没有归一化        "sym" 对称归一化         "rw" 随机游走归一化
dtype (torch.dtype, optional)
num_nodes (int, optional)	表示计算多少个点的拉普拉斯矩阵

5 to_networkx

to_networkx(
    data, 
    node_attrs=None, 
    edge_attrs=None, 
    to_undirected=False, 
    remove_self_loops=False)

参数说明

data (torch_geometric.data.Data)	需要转换的Data数据
node_attrs (iterable of str, optional)	需要转换的点属性
edge_attrs (iterable of str, optional)	需要转化的边属性
to_undirected (bool, optional)	如果是True，那么返回的就是networkx.Graph 如果是False，那么返回的就是networkx.DiGraph 无向图会根据相应邻接矩阵的上三角矩阵进行创建
remove_self_loops (bool, optional)	是否移除自环

我们以ENZYMES数据集的第一个data为例：

torch_geometric笔记：数据集 ENZYMES &Minibatches_UQI-LIUWJ的博客-CSDN博客

import networkx as nx
import matplotlib.pyplot as plt
from torch_geometric.datasets import TUDataset
from torch_geometric.utils import to_networkx

 
dataset = TUDataset(root='', name='ENZYMES')

dataset[0]
#Data(edge_index=[2, 168], x=[37, 3], y=[1])

x=to_networkx(dataset[0])
nx.draw(x, with_labels=True)