dgl 的 save 和 load

Deep Graph Library (DGL) 是一个用于图神经网络的Python包，支持灵活地处理图数据并实现图神经网络模型。在DGL中，保存和读取图结构是一项常见操作，可以通过使用内置的功能来轻松实现。以下是保存和读取图的基本步骤：

保存图

为了保存DGL图，你可以使用dgl.save_graphs函数。此函数允许你将一个或多个图以及与这些图相关联的任何标签数据保存到一个文件中。这里是一个示例代码段：

import dgl
import torch

# 假设g是一个DGL图
g = dgl.graph((torch.tensor([0, 1, 2]), torch.tensor([1, 2, 3])))
# 你也可以添加一些节点和边的特征
g.ndata['feat'] = torch.randn(g.number_of_nodes(), 3)  # 节点特征
g.edata['weight'] = torch.randn(g.number_of_edges())  # 边的特征

# 保存图
dgl.save_graphs('graph.dgl', g)

读取图

对于读取之前保存的图，你可以使用dgl.load_graphs函数。此函数从文件中读取图（和相关数据）并将它们作为图对象返回。这里是一个示例代码段：

import dgl

# 读取图
graphs, label_dict = dgl.load_graphs('graph.dgl')

# graphs是一个图列表，label_dict是一个包含所有保存的标签数据的字典
g = graphs[0]  # 获取保存的图

dgl.load_graphs函数返回两个对象：一个是图对象的列表（即使你只保存了一个图），另一个是一个字典，包含了保存时任何与图相关的附加数据。

这些功能使得在DGL中管理图数据变得非常方便，无论是在不同的实验之间共享数据，还是在不同的时间点恢复图数据状态。