Galileo定制化图模型分两部分，自定义模型输入和自定义模型。
使用Galileo提供的Transforms构建模型输入见入门教程中的构建模型输入。更多的Transforms见API中Transforms接口。
这里介绍如何自定义模型输入。有两种方法。
-
继承
galileo.BaseTransform实现其中的transform方法。 -
直接在Inputs类中实现
transform方法，更加方便一些。
参考GCN的例子，使用了方法2实现了获取目标顶点的标签的transform。
transform中的需要使用图引擎服务的接口来获取或采样数据，详细接口列表见API中图引擎服务的采样接口。
class Inputs(g.BaseInputs):
def __init__(self, **kwargs):
super().__init__(config=kwargs)
def transform(self, vertices):
label_name = self.config['label_name']
label_dim = self.config['label_dim']
vertices = tf.cast(vertices, tf.int64)
vertices = tf.reshape(vertices, [-1])
u_vertices, _ = tf.unique(vertices)
# 使用 get_pod_feature 获取顶点的标签特征
labels = gt.ops.get_pod_feature([u_vertices], [label_name],
[label_dim], [tf.float32])[0]
return dict(targets=u_vertices, labels=labels)
def train_data(self):
vertex_type = self.config['vertex_type']
def base_dataset(**kwargs):
return gt.VertexDataset(vertex_type, 100)
return gt.dataset_pipeline(base_dataset, self.transform, **self.config)自定义模型可以按照下图选择基类：
Supervised类继承自BaseSupervised类，提供了图有监督模型的基本框架。
Unsupervised类继承自BaseUnsupervised类，提供了图无监督模型的基本框架。
自定义模型的子类只需要实现其中的encoder方法即可。基类会计算loss和metrics。
如果是继承自tf.keras.Model或torch.nn.Module那么需要实现计算loss和metrics，模型返回一个dict，key包括loss和metrics的名字。
说明：Tensorflow后端的相关类同时支持keras和estimator。
例如：
- 在tf的有监督graphSAGE示例中继承了galileo.tf.Supervised实现了encoder方法。
- 在tf的无监督graphSAGE示例中继承了galileo.tf.Unsupervised实现了target_encoder方法和context_encoder方法。
- 在tf的GCN示例中继承了tf.keras.Model，在call方法是返回一个dict。
更多的定制化图模型例子见图模型。