mindspore_gl.graph.get_laplacian

mindspore_gl.graph.get_laplacian(edge_index, num_nodes, edge_weight=None, normalization='sym')

获得laplacian矩阵。

参数：

• edge_index (Tensor) - 边索引。shape为 \((2, N\_e)\) 其中 \(N\_e\) 是边的数量。

• num_nodes (int) - 节点数。

• edge_weight (Tensor, 可选) - 边权重。shape为 \((N\_e)\) 其中 \(N\_e\) 是边的数量。默认值：None。

• normalization (str, 可选) - 归一化方法。默认值： ‘sym’。

  \((L)\) 为归一化的矩阵， \((D)\) 为度矩阵， \((A)\) 为邻接矩阵， \((I)\) 为单元矩阵。

  1. None ：无 \(\mathbf{L} = \mathbf{D} - \mathbf{A}\)

  2. ‘sym’ ：对称归一化 \(\mathbf{L} = \mathbf{I} - \mathbf{D}^{-1/2} \mathbf{A} \mathbf{D}^{-1/2}\)

  3. ‘rw’ ：随机游走归一化 \(\mathbf{L} = \mathbf{I} - \mathbf{D}^{-1} \mathbf{A}\)

返回：

• edge_index (Tensor) - 标准化的边索引。

• edge_weight (Tensor) - 归一化边权重。

异常：

• ValueError - 如果 normalization 不是None、’sym’或’rw’。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.graph import get_laplacian
>>> edge_index = [[1, 1, 2, 2], [0, 2, 0, 1]]
>>> edge_index = ms.Tensor(edge_index, ms.int32)
>>> num_nodes = 3
>>> edge_weight = ms.Tensor([1, 2, 1, 2], ms.float32)
>>> edge_index, edge_weight = get_laplacian(edge_index, num_nodes, edge_weight, 'sym')
>>> print(edge_index)
[[1 1 2 2 0 1 2]
[0 2 0 1 0 1 2]]
>>> print(edge_weight)
[-0.        -0.6666666 -0.        -0.6666666  1.         1.
1.       ]