chore: import upstream snapshot with attribution
This commit is contained in:
wehub-resource-sync
@@ -0,0 +1,414 @@
|
||||
from itertools import product
|
||||
|
||||
import backend as F
|
||||
|
||||
import dgl
|
||||
import dgl.function as fn
|
||||
import networkx as nx
|
||||
import numpy as np
|
||||
import pytest
|
||||
from utils import get_cases, parametrize_idtype
|
||||
|
||||
|
||||
def udf_copy_src(edges):
|
||||
return {"m": edges.src["u"]}
|
||||
|
||||
|
||||
def udf_copy_edge(edges):
|
||||
return {"m": edges.data["e"]}
|
||||
|
||||
|
||||
def udf_mean(nodes):
|
||||
return {"r2": F.mean(nodes.mailbox["m"], 1)}
|
||||
|
||||
|
||||
def udf_sum(nodes):
|
||||
return {"r2": F.sum(nodes.mailbox["m"], 1)}
|
||||
|
||||
|
||||
def udf_max(nodes):
|
||||
return {"r2": F.max(nodes.mailbox["m"], 1)}
|
||||
|
||||
|
||||
D1 = 5
|
||||
D2 = 3
|
||||
D3 = 4
|
||||
D4 = 10 # NOTE(xiang): used to dot feature vector
|
||||
builtin = {"sum": fn.sum, "max": fn.max, "mean": fn.mean}
|
||||
udf_reduce = {"sum": udf_sum, "max": udf_max, "mean": udf_mean}
|
||||
fill_value = {"sum": 0, "max": float("-inf")}
|
||||
|
||||
|
||||
def generate_feature(g, broadcast="none", binary_op="none"):
|
||||
"""Create graph with src, edge, dst feature. broadcast can be 'u',
|
||||
'e', 'v', 'none'
|
||||
"""
|
||||
np.random.seed(31)
|
||||
nv = g.num_nodes()
|
||||
ne = g.num_edges()
|
||||
if binary_op == "dot":
|
||||
if broadcast == "e":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D2, 1, D4)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
elif broadcast == "u":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D2, 1, D4)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3, D4)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
elif broadcast == "v":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3, D4)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D2, 1, D4)))
|
||||
else:
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3, D4)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3, D4)))
|
||||
else:
|
||||
if broadcast == "e":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D2, 1)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
elif broadcast == "u":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D2, 1)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
elif broadcast == "v":
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D2, 1)))
|
||||
else:
|
||||
u = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
e = F.tensor(np.random.uniform(-1, 1, (ne, D1, D2, D3)))
|
||||
v = F.tensor(np.random.uniform(-1, 1, (nv, D1, D2, D3)))
|
||||
return (
|
||||
F.astype(u, F.float32),
|
||||
F.astype(v, F.float32),
|
||||
F.astype(e, F.float32),
|
||||
)
|
||||
|
||||
|
||||
def test_copy_src_reduce():
|
||||
def _test(red, partial):
|
||||
g = dgl.from_networkx(nx.erdos_renyi_graph(100, 0.1))
|
||||
# NOTE(zihao): add self-loop to avoid zero-degree nodes.
|
||||
# https://github.com/dmlc/dgl/issues/761
|
||||
g.add_edges(g.nodes(), g.nodes())
|
||||
g = g.to(F.ctx())
|
||||
hu, hv, he = generate_feature(g, "none", "none")
|
||||
if partial:
|
||||
nid = F.tensor(list(range(0, 100, 2)), g.idtype)
|
||||
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(
|
||||
nid,
|
||||
fn.copy_u(u="u", out="m"),
|
||||
builtin[red](msg="m", out="r1"),
|
||||
)
|
||||
else:
|
||||
g.update_all(
|
||||
fn.copy_u(u="u", out="m"), builtin[red](msg="m", out="r1")
|
||||
)
|
||||
r1 = g.ndata["r1"]
|
||||
F.backward(F.reduce_sum(r1))
|
||||
n_grad1 = F.grad(g.ndata["u"])
|
||||
|
||||
# reset grad
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(nid, udf_copy_src, udf_reduce[red])
|
||||
else:
|
||||
g.update_all(udf_copy_src, udf_reduce[red])
|
||||
r2 = g.ndata["r2"]
|
||||
F.backward(F.reduce_sum(r2))
|
||||
n_grad2 = F.grad(g.ndata["u"])
|
||||
|
||||
def _print_error(a, b):
|
||||
print("ERROR: Test copy_src_{} partial: {}".format(red, partial))
|
||||
for i, (x, y) in enumerate(
|
||||
zip(F.asnumpy(a).flatten(), F.asnumpy(b).flatten())
|
||||
):
|
||||
if not np.allclose(x, y):
|
||||
print("@{} {} v.s. {}".format(i, x, y))
|
||||
|
||||
if not F.allclose(r1, r2):
|
||||
_print_error(r1, r2)
|
||||
assert F.allclose(r1, r2)
|
||||
if not F.allclose(n_grad1, n_grad2):
|
||||
print("node grad")
|
||||
_print_error(n_grad1, n_grad2)
|
||||
assert F.allclose(n_grad1, n_grad2)
|
||||
|
||||
_test("sum", False)
|
||||
_test("max", False)
|
||||
_test("mean", False)
|
||||
_test("sum", True)
|
||||
_test("max", True)
|
||||
_test("mean", True)
|
||||
|
||||
|
||||
def test_copy_edge_reduce():
|
||||
def _test(red, partial):
|
||||
g = dgl.from_networkx(nx.erdos_renyi_graph(100, 0.1))
|
||||
# NOTE(zihao): add self-loop to avoid zero-degree nodes.
|
||||
g.add_edges(g.nodes(), g.nodes())
|
||||
g = g.to(F.ctx())
|
||||
hu, hv, he = generate_feature(g, "none", "none")
|
||||
if partial:
|
||||
nid = F.tensor(list(range(0, 100, 2)), g.idtype)
|
||||
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(
|
||||
nid,
|
||||
fn.copy_e(e="e", out="m"),
|
||||
builtin[red](msg="m", out="r1"),
|
||||
)
|
||||
else:
|
||||
g.update_all(
|
||||
fn.copy_e(e="e", out="m"), builtin[red](msg="m", out="r1")
|
||||
)
|
||||
r1 = g.ndata["r1"]
|
||||
F.backward(F.reduce_sum(r1))
|
||||
e_grad1 = F.grad(g.edata["e"])
|
||||
|
||||
# reset grad
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(nid, udf_copy_edge, udf_reduce[red])
|
||||
else:
|
||||
g.update_all(udf_copy_edge, udf_reduce[red])
|
||||
r2 = g.ndata["r2"]
|
||||
F.backward(F.reduce_sum(r2))
|
||||
e_grad2 = F.grad(g.edata["e"])
|
||||
|
||||
def _print_error(a, b):
|
||||
print("ERROR: Test copy_edge_{} partial: {}".format(red, partial))
|
||||
return
|
||||
for i, (x, y) in enumerate(
|
||||
zip(F.asnumpy(a).flatten(), F.asnumpy(b).flatten())
|
||||
):
|
||||
if not np.allclose(x, y):
|
||||
print("@{} {} v.s. {}".format(i, x, y))
|
||||
|
||||
if not F.allclose(r1, r2):
|
||||
_print_error(r1, r2)
|
||||
assert F.allclose(r1, r2)
|
||||
if not F.allclose(e_grad1, e_grad2):
|
||||
print("edge gradient")
|
||||
_print_error(e_grad1, e_grad2)
|
||||
assert F.allclose(e_grad1, e_grad2)
|
||||
|
||||
_test("sum", False)
|
||||
_test("max", False)
|
||||
_test("mean", False)
|
||||
_test("sum", True)
|
||||
_test("max", True)
|
||||
_test("mean", True)
|
||||
|
||||
|
||||
def test_all_binary_builtins():
|
||||
def _test(g, lhs, rhs, binary_op, reducer, partial, nid, broadcast="none"):
|
||||
# initialize node/edge features with uniform(-1, 1)
|
||||
hu, hv, he = generate_feature(g, broadcast, binary_op)
|
||||
if binary_op == "div":
|
||||
# op = div
|
||||
# lhs range: [-1, 1]
|
||||
# rhs range: [1, 2]
|
||||
# result range: [-1, 1]
|
||||
if rhs == "u":
|
||||
hu = (hu + 3) / 2
|
||||
elif rhs == "v":
|
||||
hv = (hv + 3) / 2
|
||||
elif rhs == "e":
|
||||
he = (he + 3) / 2
|
||||
|
||||
if binary_op == "add" or binary_op == "sub":
|
||||
# op = add, sub
|
||||
# lhs range: [-1/2, 1/2]
|
||||
# rhs range: [-1/2, 1/2]
|
||||
# result range: [-1, 1]
|
||||
hu = hu / 2
|
||||
hv = hv / 2
|
||||
he = he / 2
|
||||
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
builtin_msg_name = "{}_{}_{}".format(lhs, binary_op, rhs)
|
||||
builtin_msg = getattr(fn, builtin_msg_name)
|
||||
builtin_red = getattr(fn, reducer)
|
||||
|
||||
def target_feature_switch(g, target):
|
||||
if target == "u":
|
||||
return g.ndata["u"]
|
||||
elif target == "v":
|
||||
return g.ndata["v"]
|
||||
else:
|
||||
return g.edata["e"]
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(nid, builtin_msg(lhs, rhs, "m"), builtin_red("m", "r1"))
|
||||
else:
|
||||
g.update_all(builtin_msg(lhs, rhs, "m"), builtin_red("m", "r1"))
|
||||
r1 = g.ndata.pop("r1")
|
||||
F.backward(F.reduce_sum(r1))
|
||||
lhs_grad_1 = F.grad(target_feature_switch(g, lhs))
|
||||
rhs_grad_1 = F.grad(target_feature_switch(g, rhs))
|
||||
|
||||
# reset grad
|
||||
g.ndata["u"] = F.attach_grad(F.clone(hu))
|
||||
g.ndata["v"] = F.attach_grad(F.clone(hv))
|
||||
g.edata["e"] = F.attach_grad(F.clone(he))
|
||||
|
||||
def target_switch(edges, target):
|
||||
if target == "u":
|
||||
return edges.src
|
||||
elif target == "v":
|
||||
return edges.dst
|
||||
elif target == "e":
|
||||
return edges.data
|
||||
else:
|
||||
assert 0, "Unknown target {}".format(target)
|
||||
|
||||
def mfunc(edges):
|
||||
op = getattr(F, binary_op)
|
||||
lhs_data = target_switch(edges, lhs)[lhs]
|
||||
rhs_data = target_switch(edges, rhs)[rhs]
|
||||
# NOTE(zihao): we need to do batched broadcast
|
||||
# e.g. (68, 3, 1) op (68, 5, 3, 4)
|
||||
while F.ndim(lhs_data) < F.ndim(rhs_data):
|
||||
lhs_data = F.unsqueeze(lhs_data, 1)
|
||||
while F.ndim(rhs_data) < F.ndim(lhs_data):
|
||||
rhs_data = F.unsqueeze(rhs_data, 1)
|
||||
return {"m": op(lhs_data, rhs_data)}
|
||||
|
||||
def rfunc(nodes):
|
||||
op = getattr(F, reducer)
|
||||
return {"r2": op(nodes.mailbox["m"], 1)}
|
||||
|
||||
with F.record_grad():
|
||||
if partial:
|
||||
g.pull(nid, mfunc, rfunc)
|
||||
else:
|
||||
g.update_all(mfunc, rfunc)
|
||||
r2 = g.ndata.pop("r2")
|
||||
F.backward(F.reduce_sum(r2), F.tensor([1.0]))
|
||||
lhs_grad_2 = F.grad(target_feature_switch(g, lhs))
|
||||
rhs_grad_2 = F.grad(target_feature_switch(g, rhs))
|
||||
|
||||
rtol = 1e-4
|
||||
atol = 1e-4
|
||||
|
||||
def _print_error(a, b):
|
||||
print(
|
||||
"ERROR: Test {}_{}_{}_{} broadcast: {} partial: {}".format(
|
||||
lhs, binary_op, rhs, reducer, broadcast, partial
|
||||
)
|
||||
)
|
||||
return
|
||||
if lhs == "u":
|
||||
lhs_data = hu
|
||||
elif lhs == "v":
|
||||
lhs_data = hv
|
||||
elif lhs == "e":
|
||||
lhs_data = he
|
||||
|
||||
if rhs == "u":
|
||||
rhs_data = hu
|
||||
elif rhs == "v":
|
||||
rhs_data = hv
|
||||
elif rhs == "e":
|
||||
rhs_data = he
|
||||
print("lhs", F.asnumpy(lhs_data).tolist())
|
||||
print("rhs", F.asnumpy(rhs_data).tolist())
|
||||
for i, (x, y) in enumerate(
|
||||
zip(F.asnumpy(a).flatten(), F.asnumpy(b).flatten())
|
||||
):
|
||||
if not np.allclose(x, y, rtol, atol):
|
||||
print("@{} {} v.s. {}".format(i, x, y))
|
||||
|
||||
if not F.allclose(r1, r2, rtol, atol):
|
||||
_print_error(r1, r2)
|
||||
assert F.allclose(r1, r2, rtol, atol)
|
||||
|
||||
if not F.allclose(lhs_grad_1, lhs_grad_2, rtol, atol):
|
||||
print("left grad")
|
||||
_print_error(lhs_grad_1, lhs_grad_2)
|
||||
assert F.allclose(lhs_grad_1, lhs_grad_2, rtol, atol)
|
||||
|
||||
if not F.allclose(rhs_grad_1, rhs_grad_2, rtol, atol):
|
||||
print("right grad")
|
||||
_print_error(rhs_grad_1, rhs_grad_2)
|
||||
assert F.allclose(rhs_grad_1, rhs_grad_2, rtol, atol)
|
||||
|
||||
g = dgl.graph([])
|
||||
g.add_nodes(20)
|
||||
# NOTE(zihao): add self-loop to avoid zero-degree nodes.
|
||||
g.add_edges(g.nodes(), g.nodes())
|
||||
for i in range(2, 18):
|
||||
g.add_edges(0, i)
|
||||
g.add_edges(1, i)
|
||||
g.add_edges(i, 18)
|
||||
g.add_edges(i, 19)
|
||||
g.add_edges(18, 0)
|
||||
g.add_edges(18, 1)
|
||||
g.add_edges(19, 0)
|
||||
g.add_edges(19, 1)
|
||||
g = g.to(F.ctx())
|
||||
nid = F.tensor([0, 1, 4, 5, 7, 12, 14, 15, 18, 19], g.idtype)
|
||||
target = ["u", "v", "e"]
|
||||
|
||||
for lhs, rhs in product(target, target):
|
||||
if lhs == rhs:
|
||||
continue
|
||||
for binary_op in ["add", "sub", "mul", "div"]:
|
||||
for reducer in ["sum", "max", "min", "mean"]:
|
||||
for broadcast in ["none", lhs, rhs]:
|
||||
for partial in [False, True]:
|
||||
print(lhs, rhs, binary_op, reducer, broadcast, partial)
|
||||
_test(
|
||||
g,
|
||||
lhs,
|
||||
rhs,
|
||||
binary_op,
|
||||
reducer,
|
||||
partial,
|
||||
nid,
|
||||
broadcast=broadcast,
|
||||
)
|
||||
|
||||
|
||||
@parametrize_idtype
|
||||
@pytest.mark.parametrize("g", get_cases(["homo-zero-degree"]))
|
||||
def test_mean_zero_degree(g, idtype):
|
||||
g = g.astype(idtype).to(F.ctx())
|
||||
g.ndata["h"] = F.ones((g.num_nodes(), 3))
|
||||
g.update_all(fn.copy_u("h", "m"), fn.mean("m", "x"))
|
||||
deg = F.asnumpy(g.in_degrees())
|
||||
v = F.tensor(np.where(deg == 0)[0])
|
||||
assert F.allclose(F.gather_row(g.ndata["x"], v), F.zeros((len(v), 3)))
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
test_copy_src_reduce()
|
||||
test_copy_edge_reduce()
|
||||
test_all_binary_builtins()
|
||||
Reference in New Issue
Block a user