1. Backgroud（背景信息）

• VectorNet网络中使用到了Pytorch Geometric（PYG）中图数据处理的能力，当前MindData与pyg功能还存在差距
• 主要缺少对标PYG Data 和 InMemoryDataset的能力（包含graph save和load的能力）
• 此外针对图的batch操作，和常规的batch操作有区别

2. Design（设计方案）

• 分析业界主流方案（pyg, dgl, pgl）提供支持输入numpy array的Graph接口，进行图构造
• 提供加载图数据的Dataset接口，兼顾易用性和自定义的诉求，接口中支持图加载和保存（分析后图加载保存，先基于numpy.npz格式进行存储）
• 针对新增的Graph类，基本重写了对应的方法，将node_type/edge_type/feature_type等从原来的int改为string，使得含义更明确及方便使用。
• 新增get_graph_feature接口，用于存储和节点和边无直接关联的特征（shape的1维不等于节点或边的数量）；graph_feature在c层存储和node_feature等存储方式不一致，node_feature等沿用之前的方案会将传入的node_feature划分到每个node中进行存储；graph_feature这直接在graph级别进行存储，不需要进一步划分。
• 图的batch操作，主要拓展batch算子的能力

3. 使用样例

# 样例1：
# 加载numpy array数据来构造Graph, 不需要提前先转换为mindrecord；
# Graph接口必要的入参为`edges`

edges = np.array([[1, 2], [0, 1]], dtype=np.int32)
g = Graph(edges)
graph_info = g.graph_info()

# 样例2：
# 给节点和边设置对应的特征，特征第一维的shape需要和节点或边的数量一致
# 特征通过字典传递进去，key为对应的特征名字

edges = np.array([[1, 2], [0, 1]], dtype=np.int32)
node_feat = {"node_feature_1": np.array([[0], [1], [2]], dtype=np.int32)}
edge_feat = {"edge_feature_1": np.array([[1, 2], [3, 4]], dtype=np.int32)}
g = Graph(edges, node_feat, edge_feat)

• 针对图的batch操作，教程可参考
  https://gitee.com/jiang-shuqiang/docs/blob/master/tutorials/experts/source_zh_cn/dataset/graph_data_batch.ipynb