“DGLGraph.apply_edges”的使用和“DGLGraph.send_and_recv” API（计算消息）作为“DGLGraph.send”的替代和“DGLGraph.recv

Question

我正在使用DGL（用于图表上深度学习的Python软件包）来定义图，定义图形卷积网络（GCN）和火车。

我遇到了一个问题，我已经处理了两个星期。 我根据下面的链接开发了我的GCN代码：

我在上述代码的这一部分面临错误：

class GCNLayer(nn.Module): def init(self, in_feats, out_feats): super(GCNLayer, self).init() self.linear = nn.Linear(in_feats, out_feats)

def forward(self, g, inputs):
    # g is the graph and the inputs is the input node features
    # first set the node features
    g.ndata['h'] = inputs
    # trigger message passing on all edges
    g.send(g.edges(), gcn_message)
    # trigger aggregation at all nodes
    g.recv(g.nodes(), gcn_reduce)
    # get the result node features
    h = g.ndata.pop('h')
    # perform linear transformation
    return self.linear(h)

我在下面遇到一个错误：

dgl._ffi.base.DGLError: DGLGraph.send is deprecated. As a replacement, use DGLGraph.apply_edges API to compute messages as edge data. Then use DGLGraph.send_and_recv and set the message function as dgl.function.copy_e to conduct message aggregation*

在错误的指导下，我想知道如何使用dglgraph.apply_edges “ dglgraph.send” 命令中的不是dglgraph.send？

，我们有2个参数“ g.edges（）” 和和“ gcn_message” 。

如何将这些参数转换为“ dglgraph.apply_edges” 的参数（）根据此

另外，“ dglgraph.send_and_recv” 。

在“ dglgraph.recv”中 的同一问题。 和“ gcn_reduce”

。 redy_func，apply_node_func = none，eType = none，intplace = false = false）” （根据此 link ）？

如果您能帮助我解决这个巨大的挑战。

谢谢

Answer 1

DGLGraph.apply_edges(func, Edges='ALL', etype=None, inplace=False) 用于在 'edges' 中的所有边上使用函数 'func' 来更新边特征。

DGLGraph.send_and_recv(edges, message_func, reduce_func, apply_node_func=None, etype=None, inplace=False) 用于传递消息、减少消息并更新 'edges' 中所有边的节点特征。

要使您的转发方法发挥作用，您可以更新您的代码，如下所示

def forward(self, g, inputs):
    g.ndata['h'] = inputs
    g.send_and_recv(g.edges(), fn.copy_src("h", "m"), fn.sum("m", "h"))
    h = g.ndata.pop("h")

    return self.linear(h)

您可以使用您自己的 message_func （消息生成）和 reduce_func （消息聚合）来满足您的目的。

Answer 2

尝试下面的代码，它可能会解决您的问题

def forward(self, g, inputs):
    g.ndata['h'] = inputs
    g.send_and_recv(g.edges(), gcn_message, gcn_reduce)
    h = g.ndata.pop('h')
    return self.linear(h)