pylibcugraphops

pylibcugraphops 是围绕 cugraph-ops 的包装器，并为 cugraph-ops 的自定义图运算符提供框架无关和轻量级的 Python 绑定。有关实现功能的信息，请查看相应的文档。

结构

在结构方面，绑定在一定程度上遵循 cugraph-ops 的指南。主要区别在于 pylibcugraphops 更加专注于提供合理的子模块，因此整体结构相当扁平。核心功能位于 pylibcugraphops.operators 之下，类似于 C++ API 中的 <cugraph-ops/operators> 命名空间。这包括基本的聚合运算符（例如用于 GraphSAGE）、专用运算符（例如用于 RGCN）以及执行类似于池化操作的运算符（例如从图到标量的聚合运算）。虽然 C++ API 进一步区分了消息流图和其他可以通过 CSC 表示的图的运算符，但 pylibcugraphops.operators 保持为一个扁平的子模块，函数名称进行区分。

命名约定

公开运算符和相应文件的名称应具有自解释性，以提供对所有相关特征的易于概述。因此，我们采用以下命名约定为运算符。

<operator family>_<graph type>_<"direction">_(<operator specification>_)<[fwd|bwd|bwd_rev|...]

示例

• agg_simple_csc_bwd
• pool_csc_n2s_bwd
• agg_hg_basis_mfg_n2n_post_bwd

通过重载支持不同的数据类型，因此通常不是运算符名称的显式部分。

各个部分的解释

• <operator family> 表示底层操作符，我们目前有
  • agg_simple：基本的聚合器，对指定的集合执行平均值/总和/最小值/最大值缩减
  • agg_concat：类似于 agg_simple，但还额外连接每个集合成员的自我表示
  • agg_dmpnn：实现了 DMPNN 边到边的聚合
  • pool：求和/平均值/最小值/最大值池化，例如节点到标量的读取
  • hg_basis：使用不同边类型进行异构聚合，可能使用基分解
  • mha_gat：多头注意力聚合，在这种情况下是 GAT 的特定变体
• <graph type>：操作符旨在用于哪种图类型
  • csc：图的简单 CSC 表示
  • bipartite：二部图的简单 CSC 表示
  • mfg：消息流图
• <"direction">：为了更容易了解我们已有的哪些操作符，多个方向通过下划线组合和分隔（例如 e2n_n2n）
  • n2n：节点到节点（基本聚合）
  • e2n：边到节点
  • e2e：边到边
  • n2s：节点到标量
• <operator specification>：一些操作符定义了不同类型的“口味”，例如 hg_basis 操作符的“预”和“后”变体

函数签名

应使用以下模式

func(output_vector_arg_0, ..., output_vector_arg_n,
     input_vector_arg_0, ..., input_vector_arg_n,
     graph_structure_arg_0, ..., graph_structure_arg_n,
     *args,
     **kwargs,
     cuda_stream=None)

• *args：对 func 必要的参数，但既不是缓冲区也不是图结构
• **kwargs：可选参数或具有默认值的参数
• 如果适用且已默认，则 cuda_stream 应为绑定中的最后一个参数

RGCN 的示例（hg_basis_pre）

def agg_hg_basis_mfg_n2n_pre_bwd(output_gradient,
                                 input_gradient,
                                 input_embedding,
                                 message_flow_graph_hg_csc_int32 graph,
                                 output_weight_gradient=None,
                                 weights_combination=None,
                                 concat_own=False,
                                 norm_by_degree=False,
                                 cuda_stream=None):