dgl专题
图神经网络框架DGL实现Graph Attention Network (GAT)笔记
参考列表： [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1]，该程序实现了利用图神经网络框架——DGL，实现图注意网络（GAT）。应用demo为对机器学习论文数据集——Cora，对论文所属类别进行分类。（下图摘自[3]） 1. 程序 Ubuntu：18.04
GNN-第三方库：DGL【图神经网络框架，支持对异构图的处理，开源相关异构图神经网络的代码，在GCMC、RGCN等业内知名的模型实现上也取得了很好的效果】
一、DGL库的实现与性能 实现GNN并不容易，因为它需要在不规则数据上实现较高的GPU吞吐量。 1、DGL库简介 DGL库的逻辑层使用了顶点域的处理方式，使代码更容易理解。同时，又在底层的内存和运行效率方面做了大量的工作，使得框架可以发挥出更好的性能。 2、DGL库特点 GCMC：DGL的内存优化支持在一个GPU上对MovieLens10M数据集进行训练（原实现需要从CPU中动态加载数据
linux安装dgl
1.DGL官网、选择与自己cuda、python版本匹配的dgl的whl文件CUDA11.8、python10并下载 2.用pip install运行 pip install /home/u2023170749/download/dgl-2.2.0+cu118-cp310-cp310-manylinux1_x86_64.whl
蛋白质PDB文件解析+建图（biopython+DGL）
PDB文件解析 PDB文件设计得非常好，能够比较完整地记录实验测定数据 读懂蛋白质PDB文件-腾讯云开发者社区-腾讯云 (tencent.com) 科学网—PDB文件格式说明 - 李继存的博文 (sciencenet.cn) 从蛋白质结构来看，首先它会有多种不同的测定模型，然后每个模型中包含多条链，每条连上包含若干个残基，每个残基包含若干个原子 在biopython.PDB包中可以找到这
一篇文章看懂Homogeneous Graph与Heterogeneous Graph，以及如何通过DGL定义数据与模型 进行Batch训练
Homogeneous Graph与Heterogeneous Graph 提供图训练的小知识Homogeneous Graph与Heterogeneous Graph的区别在DGL(Deep Graph Library) 定义 同构图在DGL(Deep Graph Library) 定义 异构图 提供图训练的小知识 在一张图进行训练时， 可能由于层数的增加，使得结点可以充分
pytorch开发环境安装，DGL框架的融入
图神经网络学习环境配置安装经验： 第一步：安装Anaconda 1.测试conda是否安装成功， conda list 2.查看conda版本， conda --version 第二步：安装cuda 1.测试cuda安装是否成功 nvcc -V 第三步：安装pytorch-GPU版本： 第四步：安装DGL框架； 第五步：将DGL文件夹移入到pytorch文件夹下
异构图 Link 预测 理论与DGL 源码实战
异构图 Link 预测 理论与DGL 源码实战 文章源码下载地址：点我下载http://inf.zhihang.info/resources/pay/7692.html 书接上文，在上文 重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战 中，我们讲了 异构图节点分类回归 任务，而在以前的系列文章中，我们也陆续介绍了 同构图上的节点分类回归任务、边分类回归任务以及链接预测 任务
使用DGL完成节点分类任务
更多图神经网络和深度学习内容请关注： 节点分类任务概述 节点分类(node classification)任务是在图数据处理中最流行任务之一，一个模型需要预测每个节点属于哪个类别。 在图神经网络出现之前，用于结点分类任务的方法可归为两大类： 仅使用连通性（如DeepWalk或node2vec）简单地结合连通性和节点自身的特征 相比之下，GNNs是一个通过结合局部邻域（广义上的邻居，包含
【DGL】节点分类（GCN、SAGE、自定义）
目录 使用dgl进行节点分类（GCN）数据集搭建网络训练 使用dgl进行节点分类（SAGE）实现SAGE引入边权更多自定义操作 使用dgl进行节点分类（GCN） 数据集 dataset = dgl.data.CoraGraphDataset()print("Number of categories:", dataset.num_classes)g = dataset[0
【图神经网络】使用DGL框架实现简单图分类任务
使用DGL框架实现简单图分类任务 简单图分类任务实现过程打包一个图的小批量定义图分类器图卷积读出和分类 准备和训练核心代码参考资料 图分类（预测图的标签）是图结构数据里一类重要的问题。它的应用广泛，可见于生物信息学、化学信息学、社交网络分析、城市计算以及网络安全。随着近来学界对于图神经网络的热情持续高涨，出现了一批用图神经网络做图分类的工作。比如 训练图神经网络来预测蛋白质结构
使用 DGL图神经网络 分类全连接图的内外环。
介绍 大约一个月前学习的DGL图神经网络时，为了便于自己学习和重温用的，从0搭建起来的例子。 有两条环状排列的节点，构造它们的全连接图，然后判断节点是属于内环还是属于外环。 输入有两个，一个是节点自身的XY坐标，一个是节点之间的关系图。 输出是一个onehot向量，只有两个结果，0或1。0代表为节点属于内环，1代表节点属于外环。 然后数据集里面，每个图的都是长这样的，但是它们的内环和外环的半
DGL如何表征一张图
有关于DGL中图的构建 DGL 将有向图表示为一个 DGL 图对象。图中的节点编号连续，从0开始。我们一般通过指定图中的节点数，以及源节点和目标节点的列表，来构建这么一个图。 下面的代码构造了一个图，这个图有五个叶子节点。中心节点的 ID 为 0，边从中心节点出发，指向众多的叶子节点。 g = dgl.graph(([0, 0, 0, 0, 0], [1, 2, 3, 4, 5]), nu
Pytorch DGL构图 半监督分类
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则： DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到图运算的自由转换。
重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战
重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战 文章源码下载地址：点我下载http://inf.zhihang.info/resources/pay/7692.html 书接上文，关注过作者历史文章的读者都知道，图上机器学习/深度学习系列文章 从 一文揭开图机器学习的面纱，你确定不来看看吗 开始，已经陆续和大家一起了解了 同构图上的链接预测、节点分类与回归、边分类与回归 等
dgl 的cuda 版本 环境配置(dgl cuda 版本库无法使用问题解决)
1. 如果你同时有dgl dglcu-XX.XX 那么，应该只会运行dgl （DGL的CPU版本），因此，你需要把dgl(CPU)版本给卸载了 但是我只卸载CPU版本还不够，我GPU 版本的dglcu依旧不好使，因此吧GPU版本的也得卸载了重新安装 最新版的dgl我的cuda版本已经不配了，因此，找老的版本：Linux 64 :: Anaconda.org 我下载的是这个：Dgl Cuda
图神经网络DGL框架，graph classification，多个且不同维度的node feature 训练
node feature 维度不同 我现在有许多不同的图要加入训练，每个图的节点特征维度不同，第一张图n_weight特征有10条数据，第二张图n_weight特征有15条数据，但是训练的时候，需要维度都对其，所以直接做0 padding ，把小于15条数据的全部后面填充0，再加入训练 多个node features 我的节点有n_weight和n_community两个特征，都要加入训练
在启智平台安装dgl库
1.输入nvcc- V查看CUDA的版本号 2.在这个网址上找到python版本、cuda版本、dgl版本都对应的包，复制对应的链接 https://conda.anaconda.org/dglteam/linux-64 3.通过wget进行安装，或者直接下载下来拖到服务器上 wget https://conda.anaconda.org/dglteam/linux-64/dgl-cuda1
图神经网络DGL-构图
图神经网络DGL-构图 图神经网络、图表示学习、知识图谱 GNN的学习目标是获得每个结点的图感知的隐藏状态，这就意味着：对于每个节点，它的隐藏状态包含了来自邻居节点的信息。 TF-IDF算法介绍及实现 图神经网络—基本概念与手写code 【图计算】 DGL-构图与用图 DGL-图属性 dgl.DGLGraph是对图的统一抽象，它存储了图的结构信息、节点/边的属性信息。 通过dgl.
DGL的图数据结构的创建、图的特征、dgl.batch及一些理解
文章目录 前言一、创建图1.dgl.graph((u, v))2.dgl.graph((tuple)...) 二、理解图1.边和节点的特征赋值与查看2.图的一些属性或方法3.DGL中的Batch 前言 dgl是图神经网络构建的工具。官方文档：https://docs.dgl.ai/guide_cn/graph-basic.html#guide-cn-graph-basic有
自动化测试数据构造之DGL
背景问题及解决方案问题 一个系统中所有模块的输入数据结构一致，都是明文的行数据，行数据之间逻辑、列数据之间逻辑通过数据本身很难看出，导致构造的数据可复用成本高，对大数据的可复用成本几乎为0，而每个数据对应的测试点更是难以一一对应 解决方案 数据之间的逻辑关系通过规则文件描述，然后用开源DGL工具将规则文件变成实际的输入、输出数据，解决了数据逻辑不易读的问题，同时解决了数据与测试点难一一对应的
DGL官方教程二——使用DGL进行批量图分类
enumerate的用法：https://blog.csdn.net/liu_xzhen/article/details/79564455 map函数 zip（） zip（*）：https://blog.csdn.net/qq_42707449/article/details/81122741 .pop(): https://www.cnblogs.com/foremostxl/p/9365
在那里找到DGL的老版本；如何在anaconda中得到下载的库源码
cuda 的老版本： https://pypi.tuna.tsinghua.edu.cn/simple/dgl-cu102/ 先把库下载完，然后查看源码的话，可以在anaconda中找到： 首先是一种命令语句： import moduleprint（module.__file__）# 两个下划线# 举例import surpriseprint(surprise.__file__)
安装dgl-cuda
1. 对应各种cuda版本的dgl-cuda 下载地址为：Package repository for dglteam :: Anaconda.org 以cuda11.1 为例 2. 将对应的文件下载到本地，并解压到anaconda的虚拟环境下 （解压出来是下图中的两个文件夹） 3.完事了 这下你就可以用了