转载请注明出处：小锋学长生活大爆炸[xfxuezhagn.cn] 如果本文帮助到了你，欢迎[点赞、收藏、关注]哦~
目录
背景介绍
源码分析
小结一下
背景介绍
我们在看GNN相关的论文时候，都会说到邻接矩阵与特征矩阵之间是用到了spmm，在很久的旧代码上也是这么做的，比如：
但是在DGL中，我们都是使用graph.update_all，而不是spmm，比如：
那么，他俩之间有什么区别？现在是不需要spmm了吗？
源码分析
dgl.DGLGraph.update_all — DGL 2.3 documentation
实际上，graph.update_all 并不是直接替代 spmm，而是一种更高层次的抽象，用于实现图神经网络中的消息传递和聚合操作。在 DGL 中，graph.update_all 可以实现类似于 spmm 的功能，但它提供了更灵活的接口来定义消息传递和聚合的方式。总结来说就是对spmm封装了一下，但同时还可以支持更多功能。
它的工作流程如下：
- 消息构建（message passing）：根据源节点的特征和边的特征生成消息。
- 消息传递（message passing）：将消息从源节点传递到目标节点。
- 消息聚合（message aggregation）：在目标节点上对接收到的消息进行聚合。
了解他的工作原理，那么就能知道应该怎么用他。接下来看他是怎么工作的。
- 如果是学习的话，建议跟着一起单步调试感受一下。
- 也可以扩展阅读这些文章，写的比较详细：
- DGL0.5中的g-SpMM和g-SDDMM
- DGL-kernel的变更(2)_aten::csrspmm
我们debug这段代码：
代码语言：javascript复制graph.update_all(aggregate_fn, fn.sum(msg='m', out='h'))
首先，进入到了heterograph.py中的DGLHeteroGraph类中：
单步调试，发现在这里进入了函数：
步入函数，来到了core.py。在这里，我们见到了很熟悉的字眼：
到这里可以得出结论，实际上graph.update_all还是执行了spmm的，并且可以选择时执行spmm还是gsddmm。
再步入invoke_gspmm函数，就是spmm的实现，
调用到ops.spmm.py中：
调用到backend.pytorch.sparse.py中：
由于这里调用的是C的接口，因此要去看dgl的源码了：
dgl/src at master · dmlc/dgl · GitHub
这个接口对应的C代码位置在：src/array/kernel.cc
调用的是同文件下的SpMM函数。而且可以发现，目前只支持CSC和COO的格式。有意思的是CSC格式用的确实SpMMCsr函数(他俩很像，CSC列压缩、CSR行压缩)：
然后根据cuda还是cpu，去找对应的具体实现，比如对于cuda：src/array/cuda/spmm.cu
这里可以看到，调用了cusparse的CusparseCsrmm2函数。需要注意的是，SpMMCsr会调用cusparse::CusparseCsrmm2，而SpMMCoo会调用cuda::SpMMCoo，前者就在当前文件中，后者则定义在spmm.cuh中。并且，SpMMCoo中的op定义在/src/array/cuda/functor.cuh中，最终会调用op.call来完成add或mul等计算(看Call部分)。
小结一下
总的来说，我们知道了graph.update_all内部实际上还是执行了spmm操作，只是graph.update_all更装了spmm，并且提供了更灵活的接口来定义消息传递和聚合的方式，使得用户可以更方便地实现复杂的图神经网络操作。确实，内部有很多实现细节，这里我们先不关注。
