graph_reindex

paddle.incubate. graph_reindex ( x, neighbors, count, value_buffer=None, index_buffer=None, flag_buffer_hashtable=False, name=None ) [源代码]

主要应用于图学习领域，需要与图采样相关的 API 配合使用。其主要目的是对输入的中心节点信息和邻居信息进行从 0 开始的重新编号，以方便后续的图模型子图训练。

Given:

X = [0, 1, 2]

neighbors = [8, 9, 0, 4, 7, 6, 7]

count = [2, 3, 2]

value_buffer = None

index_buffer = None

flag_buffer_hashtable = False

Then:

reindex_src = [3, 4, 0, 5, 6, 7, 6]

reindex_dst = [0, 0, 1, 1, 1, 2, 2]

out_nodes = [0, 1, 2, 8, 9, 4, 7, 6]  # 可以将对应位置的节点编号替换到重编号的边中，得到重编号前的边信息。

参数

  • x (Tensor) - 输入的中心节点原始编号，数据类型为：int32、int64。

  • neighbors (Tensor) - 中心节点的邻居节点编号，数据类型为：int32、int64。

  • count (Tensor) - 中心节点各自的邻居数目，数据类型为：int32。

  • value_buffer (Tensor，可选) - 用于快速哈希索引的缓存 Tensor，可加速重编号过程。数据类型为 int32，并且应当事先填充为-1。如果 flag_buffer_hashtable 为 True，则不可为空。默认值为 None。

  • index_buffer (Tensor，可选) - 用于快速哈希索引的缓存 Tensor，可加速重编号过程。数据类型为 int32，并且应当事先填充为-1。如果 flag_buffer_hashtable 为 True，则不可为空。默认值为 None。

  • flag_buffer_hashtable (bool) - 是否采取快速哈希索引，默认为 False。只适用于 GPU 版本的 API。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回

  • reindex_src (Tensor) - 重编号后的边对应的源节点信息。

  • reindex_dst (Tensor) - 重编号后的边对应的目标节点信息。

  • out_nodes (Tensor) - 返回去重后的输入中心节点信息和邻居信息，且为原始编号。注意，我们将输入的中心节点编号信息放置于前面，而邻居信息放置于后面。

代码示例

>>> import paddle

>>> x = [0, 1, 2]
>>> neighbors_e1 = [8, 9, 0, 4, 7, 6, 7]
>>> count_e1 = [2, 3, 2]
>>> x = paddle.to_tensor(x, dtype="int64")
>>> neighbors_e1 = paddle.to_tensor(neighbors_e1, dtype="int64")
>>> count_e1 = paddle.to_tensor(count_e1, dtype="int32")

>>> reindex_src, reindex_dst, out_nodes = paddle.incubate.graph_reindex(
...     x,
...     neighbors_e1,
...     count_e1,
... )
>>> print(reindex_src)
Tensor(shape=[7], dtype=int64, place=Place(cpu), stop_gradient=True,
[3, 4, 0, 5, 6, 7, 6])
>>> print(reindex_dst)
Tensor(shape=[7], dtype=int64, place=Place(cpu), stop_gradient=True,
[0, 0, 1, 1, 1, 2, 2])
>>> print(out_nodes)
Tensor(shape=[8], dtype=int64, place=Place(cpu), stop_gradient=True,
[0, 1, 2, 8, 9, 4, 7, 6])

>>> neighbors_e2 = [0, 2, 3, 5, 1]
>>> count_e2 = [1, 3, 1]
>>> neighbors_e2 = paddle.to_tensor(neighbors_e2, dtype="int64")
>>> count_e2 = paddle.to_tensor(count_e2, dtype="int32")

>>> neighbors = paddle.concat([neighbors_e1, neighbors_e2])
>>> count = paddle.concat([count_e1, count_e2])
>>> reindex_src, reindex_dst, out_nodes = paddle.incubate.graph_reindex(x, neighbors, count)
>>> print(reindex_src)
Tensor(shape=[12], dtype=int64, place=Place(cpu), stop_gradient=True,
[3, 4, 0, 5, 6, 7, 6, 0, 2, 8, 9, 1])
>>> print(reindex_dst)
Tensor(shape=[12], dtype=int64, place=Place(cpu), stop_gradient=True,
[0, 0, 1, 1, 1, 2, 2, 0, 1, 1, 1, 2])
>>> print(out_nodes)
Tensor(shape=[10], dtype=int64, place=Place(cpu), stop_gradient=True,
[0, 1, 2, 8, 9, 4, 7, 6, 3, 5])