cannot import name 'edge_softmax_hetero' from 'dgl.backend

在DGL（深度图库）的后端模块中，无法从dgl.backend中导入名为'edge_softmax_hetero'的函数。这个错误可能是因为DGL的后端模块不支持或没有实现该函数。'edge_softmax_hetero'是一个DGL中用于执行异构图（hetero-graph）上的边缘softmax操作的函数，它用于计算边缘上的softmax概率分布。如果确实需要使用这个函数，可以尝试查看DGL的官方文档或在开发者社区寻求帮助，以确定是否有其他方法可以执行所需的操作。另外，也可以检查一下DGL的版本，确保所使用的DGL版本与所调用的函数兼容。

相关问题

dgl.nn.pytorch中edge_softmax的参数

在dgl.nn.pytorch中，edge_softmax函数的参数是边权重张量和图对象。具体来说，函数的定义如下：

def edge_softmax(graph, efeat):
    r"""Apply softmax over the edges of a graph.

    Description
    -----------
    Given a graph and its edge features, this function computes the softmax
    over the edge features for each destination node. Suppose we have a
    graph with :math:`N` nodes, :math:`E` edges and feature size :math:`D`.
    If the input edge feature tensor is :math:`(E, D)`, the output tensor
    will be of shape :math:`(E, 1)`.

    Parameters
    ----------
    graph : DGLGraph
        The graph to perform edge softmax.
    efeat : torch.Tensor
        The input edge feature tensor.

    Returns
    -------
    tensor
        Softmax probability tensor with respect to the last dimension of efeat.

    Notes
    -----
    * Input shape: :math:`(E, D)`
    * Output shape: :math:`(E, 1)`
    """

其中`graph`是DGLGraph对象，表示当前的图，`efeat`是维度为`(E, D)`的张量，其中`E`表示边的数量，`D`表示每条边的特征维度。函数返回的是一个维度为`(E, 1)`的张量，表示每条边的softmax概率。

The name tf.losses.sparse_softmax_cross_entropy is deprecated. Please use tf.compat.v1.losses.sparse_softmax_cross_entropy instead.

这是一个警告信息，意味着tf.losses.sparse_softmax_cross_entropy已经被弃用，建议使用tf.compat.v1.losses.sparse_softmax_cross_entropy。这是因为TensorFlow 2.0中已经删除了tf.losses模块，而是将其移动到了tf.compat.v1.losses模块中。如果你使用的是TensorFlow 1.x版本，则可以继续使用tf.losses.sparse_softmax_cross_entropy，但是如果你使用的是TensorFlow 2.0版本，则必须使用tf.compat.v1.losses.sparse_softmax_cross_entropy。下面是一个使用tf.compat.v1.losses.sparse_softmax_cross_entropy的例子：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

logits = tf.constant([0.1,0.1,0.8])
labels = tf.constant([2])
y = tf.compat.v1.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(y)) # 输出：0.68972665