图神经网络学习笔记—高级小批量处理（专题十四）

小批量（mini-batch）的创建对于让深度学习模型的训练扩展到海量数据至关重要。与逐条处理样本不同，小批量将一组样本组合成一个统一的表示形式，从而可以高效地并行处理。在图像或语言领域，这一过程通常通过将每个样本缩放或填充为相同大小的形状来实现，然后将样本在一个额外的维度中分组。该维度的长度等于小批量中分组的样本数量，通常称为 batch_size。

由于图是能够容纳任意数量节点或边的最通用的数据结构之一，上述两种方法要么不可行，要么可能导致大量不必要的内存消耗。在 PyG 中，我们选择了另一种方法来实现跨多个样本的并行化。这里，邻接矩阵以对角线方式堆叠（创建一个包含多个孤立子图的巨型图），而节点和目标特征则直接在节点维度上连接，即：
A = [