【免费】DGL简单示例，GCN，GAT_复现dgl相关代码资源-CSDN下载

共13个文件

py：3个

docx：3个

pdf：2个

需积分: 0 147 浏览量 2024-03-08 11:11:44 上传评论 2 收藏 11.36MB ZIP 举报

在本压缩包中，我们关注的是图神经网络（GNN）相关的学习资源，特别是DGL（Dynamic Graph Library）的应用，包括图卷积网络（GCN）和图注意力网络（GAT）。DGL是一个用于图神经网络的高级库，支持多种深度学习框架，如PyTorch。以下是关于这些主题的详细知识： 1. **DGL简介**： DGL是一个跨平台、高性能的图神经网络库，旨在简化GNN模型的开发过程。它提供了丰富的图操作和内置的优化策略，使得研究人员和开发者能够更加专注于算法的设计而不是底层实现。 2. **图神经网络（GNN）**： GNN是一种用于处理图结构数据的深度学习模型，它可以捕获节点之间的拓扑关系。GNN通过在图上传播节点特征来学习节点表示，进而可以用于节点分类、链接预测等任务。 3. **图卷积网络（GCN）**： GCN是GNN的一种变体，其灵感来源于卷积神经网络。GCN通过邻居信息聚合的方式更新节点的特征向量，这一过程称为图卷积。在"GCN示例.pptx"中，可能会详细解释GCN的数学原理和实现过程。 4. **图注意力网络（GAT）**： GAT引入了注意力机制到GNN中，允许模型为不同邻居分配不同的权重。"gat.py"文件可能包含了GAT模型的实现代码，展示如何使用DGL构建和训练GAT模型。 5. **空手道俱乐部节点分类**： "KarateClubDataset.py"可能包含了空手道俱乐部数据集的加载代码，这是一个经典的社会网络分析案例，其中节点代表俱乐部成员，边表示成员间的交互。"gcn.py"和"gat.py"可能使用这个数据集来训练GCN和GAT模型，进行节点分类，预测成员是否离开俱乐部。 6. **其他文件**： - "DGL_Chinese_Manual-master"是DGL的中文文档，提供了详细的学习资料。 - "简明DGL中文文档.docx"可能是对DGL基础概念和使用方法的快速指南。 - "members.csv"和"interactions.csv"可能分别是空手道俱乐部成员的信息和他们之间的交互数据。综合以上信息，这个压缩包提供了一个全面的DGL学习环境，从理论到实践，从基础到进阶，适合对图神经网络和DGL感兴趣的初学者或研究人员。通过阅读文档、查看示例代码并运行实验，用户可以深入理解GNN的工作原理，并掌握如何使用DGL构建和应用GCN和GAT模型。

资源推荐

资源详情

资源评论

收起资源包目录

DGL.zip （13个子文件）

clubchange.gif 1.26MB

gat.py 4KB

members.csv 461B

gcn.py 3KB

DGL_Chinese_Manual-master

模型教程.pdf 1.91MB

简明DGL中文文档.pdf 1.45MB

简明DGL中文文档.docx 1.22MB

模型教程.docx 4.42MB

README.md 9KB

GCN示例.pptx 429KB

interactions.csv 4KB

简明DGL中文文档.docx 1.22MB

KarateClubDataset.py 5KB

# 2021-07-13补充 2020年9月，DGL社区的一群热心贡献者把DGL用户指南译成了中文，方便广大中文用户群学习和使用DGL，这里贴下他们的地址: <a href="https://docs.dgl.ai/en/0.6.x/api/python/">https://docs.dgl.ai/en/0.6.x/api/python/</a> # DGL_Chinese_Manual（DGL中文文档） This is the unofficial Chinese manual of the graph neural network library DGL, contains the User Guide and Model Tutorials. Based on DGL English document：https://docs.dgl.ai/index.html ## Written in the front I uploaded the word version and the pdf version at the same time, you can use it at will. But I hope you can point out the source when you use it. After all, translation is not easy (although I use a translation tool...). ## User Guide For each section, I have made a more detailed division according to the title. The main translation tools are Youdao Translate tools and Google Translate tools. When I feel that one of the translation tools is not working well, I will compare it with the other translation tool. Due to my limited ability, there may be problems in the translation process, please point out. Next is the relevant directory: 目录 begin 安装 4 使用conda安装 4 使用pip安装 4 使用源安装 4 设置默认的Backend 4 1. 图 4 1.1 关于图的一些基本定义 4 1.2 图、节点和边 5 1.3 节点和边特征 6 1.4 从外部来源创建图 7 ---1.4.1 从外部库创建 7 ---1.4.2 从磁盘创建 8 1.5 异构图 9 ---1.5.1 创建一个异构图 9 ---1.5.2 处理多种类型 11 ---1.5.3 从磁盘建立异构图 12 ---1.5.4 边类型子图 12 ---1.5.5 将异构图转换为同构图 13 1.6 在GPU上使用DGLGraph 14 2. 消息传递 15 2.1 消息传递案例 15 2.2 内置功函数和消息传递APIs 15 2.3 编写有效的消息传递代码 17 2.4 在图的一部分上应用消息传递 18 2.5 在消息传递中使用边权重 18 2.6 在异构图中的消息传递 18 3. 建立GNN模块 19 3.1 DGL中NN Module的构造函数 19 3.2 GDL中NN Module前向函数 20 ---3.2.1 图检查和图类型规范化 21 ---3.2.2 消息传递和归约 22 ---3.2.3 归约得到输出后更新特征 22 3.3 异构GraphConv模块 23 ---3.3.1 HeteroGraphConv实现逻 23 4. 图数据管道 24 4.1 DGLDataset类 24 4.2 下载原始数据（可选） 27 4.3 处理数据 28 ---4.3.1 处理图分类数据集 28 ---4.3.2 处理节点分类数据集 30 ---4.3.3 处理链接预测数据集 31 4.4 保存和加载数据 33 4.5 使用ogb包加载OGB数据集 34 5. 训练图神经网络 35 总览 35 异构图 35 5.1 节点分类/回归 36 ---5.1.1 总览 37 ---5.1.2 编写神经网络模型 37 ---5.1.3 训练循环 37 ---5.1.4 异构图 38 5.2 边分类/回归 40 ---5.2.1 总览 40 ---5.2.2 模型实现和节点分类的区别 40 ---5.2.3 训练循环 41 ---5.2.4 异构图 42 ---5.2.5 预测异构图上现有边的边类型 43 5.3 链接预测 45 ---5.3.1 总览 45 ---5.3.2 与边分类模型实现的区别 45 ---5.3.3 训练循环 45 5.4 图分类 46 ---5.4.1 总览 46 ---5.4.2 图批量 47 ---5.4.3 图读出 48 ---5.4.4 编写神经网络模型 48 ---5.4.5 训练循环 49 ---5.4.6 异构图 50 6. 大图的随机训练 51 6.1 通过邻域采样训练GNN以进行节点分类 52 ---6.1.1 定义邻域采样器和数据加载器 52 ---6.1.2 为minibatch训练调整你的模型 53 ---6.1.3 训练循环 53 ---6.1.4 对于异构图 54 6.2 训练利用邻域采样进行边分类的GNN 55 ---6.2.1 定义邻域采样器和数据加载器 55 ---6.2.2 从原始图中移除minibatch中的边以进行邻域采样 56 ---6.2.3 调整模型以进行minibatch训练 56 ---6.2.4 训练循环 57 ---6.2.5 对于异构图 58 6.3 通过邻域采样训练GNN进行链路预测 60 ---6.3.1 使用负采样定义邻域采样器和数据加载器 60 ---6.3.2 调整模型以进行minibatch训练 61 ---6.3.3 训练循环 62 ---6.3.4 对于异构图 62 6.4 自定义领域采样器 64 ---6.4.1 用pencil and paper进行邻域采样 65 ---6.4.2 查找消息传递依赖项 65 ---6.4.3 多层minibatch消息传递的双向结构 67 ---6.4.4 块在异构图上工作 68 ---6.4.5 实现自定义邻域采样器 69 ---6.4.6 为异构图生成边界 71 6.5 实现自定义GNN模块进行minibatch训练 71 ---6.5.1 异构图 72 ---6.5.2 编写可用于同构图，二部图和块的模块 74 6.6 对大型图进行精确离线推断 74 ---6.6.1 实现离线推理 75 7. 分布式训练 76 7.1 分布式训练的预处理 78 ---7.1.1 负载均衡 79 7.2 分布式APIs 79 ---7.2.1 DGL分布式模块的初始化 79 ---7.2.2 分布式图 80 ---7.2.3 分布式张量 81 ---7.2.4 分布式嵌入 81 ---7.2.5 分布式采样 82 ---7.2.6 分割工作量 83 7.3 用于启动分布式训练/推理的工具 83 ## Model Tutorials I have completed the translation of Model Tutorials.Since many pictures in the official documents are invalid, so I marked the invalid places. In this document, you will find that in some places I directly use the original English text, because the meaning of the original sentence may be clearer. Since I am a bit lazy, I will directly use https://blog.csdn.net/weixin_45613751/ to take screenshots of some complex formulas. Next is the relevant directory: 目录 1. 总览 2 --1.1 神经网络和它的变体 2 --1.2 批处理很多小图 2 --1.3 生成模型 2 --1.4 从图角度重新审视经典模型 3 2. 图卷积网络 3 --2.1 模型总览 3 ----2.1.1 从消息传递的角度看GCN 3 ----2.1.2 用DGL实现GCN 3 ----2.1.3 GCN中的公式 8 --2.2 关系图卷积网络 8 ----2.2.1 R-GCN简介 9 ----2.2.2 R-GCN的关键思想 9 ----2.2.3 在DGL中实现R-GCN 10 ----2.2.4 第二项任务：链接预测 16 3. 线性图神经网络 16 --3.1 使用Cora数据集进行监督的社区检测任务 17 ----3.1.1 社区检测 17 ----3.1.2 Cora数据集 17 ----3.1.3 来自Cora的二元社区子图和测试数据集 18 ----3.1.4 在有监督的环境中进行社区检测 19 --3.2 线性图神经网络的关键思想 20 ----3.2.1 什么是线性图？ 20 ----3.2.2 LGNN中的一层，算法结构 20 --3.3 在DGL中实现LGNN 21 ----3.3.1 实现prev和deg作为张量操作 22 ----3.3.2 在DGL中将radiusradius实现为消息传递 22 ----3.3.3 实现fuse为稀疏矩阵乘法实 22 ----3.3.4 完成f(x, y) 23 ----3.3.5 将LGNN抽象链接为LGNN层 24 ----3.3.6 链接LGNN层 24 --3.4 训练与推断 25 --3.5 可视化训练进程 26 --3.6 批处理并行图 27 4. 图注意力网络 28 --4.1 将注意力引入到GCN 28 --4.2 在DGL中的GAT 30 ----4.2.1 公式（1） 31 ----4.2.2 公式（2） 31 ----4.2.3 公式（3）和（4） 32 ----4.2.4 多头注意力 32 ----4.2.5 将所有放在一起 33 --4.3 可视化和理解所学注意力 36 --4.4 蛋白质相互作用（PPI）网络 38 --4.5 下一个是什么？ 41 5. DGL中的Tree-LSTM 41 --5.1 任务和数据集 41 --5.2 步骤1：批量化 43 --5.3 步骤2：具有消息

评论收藏

内容反馈