torch-geometric：torch_cluster库knn_graph函数详解 今天在阅读⼀份图神经⽹络的代码时碰到了knn_graph函数。图神经⽹络如果使⽤动态图，通常需要获取节点的k近邻作为邻居节点，这个时候就会⽤到knn_graph函数了。knn_graph函数并不是torch-geometric⾃带的，⽽是torch_cluster库中的函数，这也可以说明为什么安装torch-geometric前需要先安装torch_cluster库。 这⾥，我从⾥搬运knn_graph函数的参数说明和例⼦进⾏介绍： dv观察
从这份中可以看到，这个函数是⽤来计算k近邻的，常⽤的参数有：
（1）x：输⼊张量，即所有节点的特征，形状为[N, F]；
（2）batch：⼀般每个epoch都会对⼀个batch的样本数据进⾏处理，⽽不是单个样本。这个参数是⽤来指代输⼊的N个节点分别属于batch中的哪个样本，参数形状为[N]。dataloader⼀般会提供这个参数；
（3）loop：是否包括⾃环，默认为false；
（4）flow：信息流动⽅向，其实就是输出是中⼼节点位置在前，还是邻居节点位置在前，默认为source_to_target，即邻居节点位置在前；
（5）cosine：是否使⽤cosine距离计算节点的间距，默认为false；单子论
另外还有r参数和num_workers参数，因为没⽤过，这⾥只给出猜测：r参数猜测是限定在r距离范围内寻邻居节点，⽽这⾥的 知网向退休教授致歉
num_workers参数猜测和dataloader中的num_workers参数作⽤⼀样，⽽且上图的说明⾥指出如果是⽤gpu进⾏运算的话该参数⽆效。
接下来，我们看⼀下⾥给出的例⼦：
tubikimport torch
from torch_cluster import knn_graph
x = sor([[-1.,-1.],[-1.,1.],[1.,-1.],[1.,1.]])
感生电动势
batch = sor([0,0,0,0])
edge_index = knn_graph(x, k=2, batch=batch, loop=False)
print(edge_index)
>>>tensor([[1,2,0,3,0,3,1,2],
a管理模式[0,0,1,1,2,2,3,3]])
从结果中，我们可以看出，输出结果为⼀个⼆维数组，形状为[2, N*k]。在flow参数默认为source_to_target的情况下，中⼼节点的位置在后。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议