dgl.nn (PyTorch)

卷积层

GraphConv	来自 Semi-Supervised Classification with Graph Convolutional Networks 的图卷积层
EdgeWeightNorm	此模块根据 GCN 中的形式，归一化图上正标量边权重。
RelGraphConv	来自 Modeling Relational Data with Graph Convolutional Networks 的关系图卷积层
TAGConv	来自 Topology Adaptive Graph Convolutional Networks 的拓扑自适应图卷积层
GATConv	来自 Graph Attention Network 的图注意力层
GATv2Conv	来自 How Attentive are Graph Attention Networks? 的 GATv2
EGATConv	来自 Rossmann-Toolbox 的处理边特征的图注意力层（参见补充数据）
EdgeGATConv	来自 SCENE 的带有边特征的图注意力层
EdgeConv	来自 Dynamic Graph CNN for Learning on Point Clouds 的 EdgeConv 层
SAGEConv	来自 Inductive Representation Learning on Large Graphs 的 GraphSAGE 层
SGConv	来自 Simplifying Graph Convolutional Networks 的 SGC 层
APPNPConv	来自 Predict then Propagate: Graph Neural Networks meet Personalized PageRank 的神经预测近似个性化传播层
GINConv	来自 How Powerful are Graph Neural Networks? 的图同构网络层
GINEConv	带有边特征的图同构网络，由 Strategies for Pre-training Graph Neural Networks 引入
GatedGraphConv	来自 Gated Graph Sequence Neural Networks 的门控图卷积层
GatedGCNConv	来自 Benchmarking Graph Neural Networks 的门控图卷积层
GMMConv	来自 Geometric Deep Learning on Graphs and Manifolds using Mixture Model CNNs 的高斯混合模型卷积层
ChebConv	来自 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 的切比雪夫谱图卷积层
AGNNConv	来自 Attention-based Graph Neural Network for Semi-Supervised Learning 的基于注意力的图神经网络层
NNConv	来自 Neural Message Passing for Quantum Chemistry 的图卷积层
AtomicConv	来自 Atomic Convolutional Networks for Predicting Protein-Ligand Binding Affinity 的原子卷积层
CFConv	来自 SchNet: A continuous-filter convolutional neural network for modeling quantum interactions 的 CFConv
DotGatConv	在 Graph Attention Network 中应用点积版本的自注意力
TWIRLSConv	来自 Graph Neural Networks Inspired by Classical Iterative Algorithms 的卷积与迭代重加权最小二乘结合
TWIRLSUnfoldingAndAttention	描述 结合传播和注意力。
GCN2Conv	来自 Simple and Deep Graph Convolutional Networks 的通过初始残差和恒等映射的图卷积网络 (GCNII)
HGTConv	来自 Heterogeneous Graph Transformer 的异构图 Transformer 卷积
GroupRevRes	用于 GNN 的分组可逆残差连接，如 Training Graph Neural Networks with 1000 Layers 中介绍的
EGNNConv	来自 E(n) Equivariant Graph Neural Networks 的等变图卷积层
PNAConv	来自 Principal Neighbourhood Aggregation for Graph Nets 的主邻域聚合层
DGNConv	来自 Directional Graph Networks 的方向图网络层

CuGraph 卷积层

CuGraphRelGraphConv	来自 Modeling Relational Data with Graph Convolutional Networks 的加速关系图卷积层，利用 cugraph-ops 中高度优化的聚合原语。
CuGraphGATConv	来自 Graph Attention Networks 的图注意力层，通过 cugraph-ops 加速稀疏聚合。
CuGraphSAGEConv	来自 Inductive Representation Learning on Large Graphs 的加速 GraphSAGE 层，利用 cugraph-ops 中高度优化的聚合原语

密集卷积层

DenseGraphConv	来自 Semi-Supervised Classification with Graph Convolutional Networks 的图卷积层
DenseSAGEConv	来自 Inductive Representation Learning on Large Graphs 的 GraphSAGE 层
DenseChebConv	来自 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 的切比雪夫谱图卷积层

全局池化层

SumPooling	对图中的节点应用求和池化。
AvgPooling	对图中的节点应用平均池化。
MaxPooling	对图中的节点应用最大值池化。
SortPooling	来自 An End-to-End Deep Learning Architecture for Graph Classification 的排序池化
WeightAndSum	计算原子的重要性权重并执行加权求和。
GlobalAttentionPooling	来自 Gated Graph Sequence Neural Networks 的全局注意力池化
Set2Set	来自 Order Matters: Sequence to sequence for sets 的 Set2Set 算子
SetTransformerEncoder	来自 Set Transformer: A Framework for Attention-based Permutation-Invariant Neural Networks 的编码器模块
SetTransformerDecoder	来自 Set Transformer: A Framework for Attention-based Permutation-Invariant Neural Networks 的解码器模块

用于链接预测和知识图谱补全的评分模块

EdgePredictor	节点表示对的预测器/评分函数
TransE	来自 Translating Embeddings for Modeling Multi-relational Data 的相似度度量
TransR	来自 Learning entity and relation embeddings for knowledge graph completion 的相似度度量

异构学习模块

HeteroGraphConv	用于计算异构图卷积的通用模块。
HeteroLinear	对异构输入应用线性变换。
HeteroEmbedding	创建一个异构嵌入表。
TypedLinear	根据类型进行线性变换。

实用模块

Sequential	用于堆叠图神经网络模块的顺序容器
WeightBasis	来自 Modeling Relational Data with Graph Convolutional Networks 的基分解
KNNGraph	将一个点集转换为图，或将具有相同点数的点集批次转换为这些图的批处理联合的层。
SegmentedKNNGraph	将一个点集转换为图，或将具有不同点数的点集批次转换为这些图的批处理联合的层。
RadiusGraph	将一个点集转换为具有给定距离内邻居的双向图的层。
JumpingKnowledge	来自 Representation Learning on Graphs with Jumping Knowledge Networks 的 Jumping Knowledge 聚合模块
NodeEmbedding	用于存储节点嵌入的类。
GNNExplainer	来自 GNNExplainer: Generating Explanations for Graph Neural Networks 的 GNNExplainer 模型
HeteroGNNExplainer	来自 GNNExplainer: Generating Explanations for Graph Neural Networks 的 GNNExplainer 模型，适用于异构图
SubgraphX	来自 On Explainability of Graph Neural Networks via Subgraph Explorations <https://arxiv.org/abs/2102.05152> 的 SubgraphX
HeteroSubgraphX	来自 On Explainability of Graph Neural Networks via Subgraph Explorations 的 SubgraphX，适用于异构图
PGExplainer	来自 Parameterized Explainer for Graph Neural Network <https://arxiv.org/pdf/2011.04573> 的 PGExplainer
HeteroPGExplainer	来自 Parameterized Explainer for Graph Neural Network 的 PGExplainer，适用于异构图
LabelPropagation	来自 Learning from Labeled and Unlabeled Data with Label Propagation 的标签传播

网络嵌入模块

DeepWalk	来自 DeepWalk: Online Learning of Social Representations 的 DeepWalk 模块
MetaPath2Vec	来自 metapath2vec: Scalable Representation Learning for Heterogeneous Networks 的 metapath2vec 模块

图 Transformer 实用模块

DegreeEncoder	度编码器，如 Do Transformers Really Perform Bad for Graph Representation? 中介绍的
LapPosEncoder	拉普拉斯位置编码器 (LPE)，如 GraphGPS: General Powerful Scalable Graph Transformers 中介绍的
PathEncoder	路径编码器，如 Do Transformers Really Perform Bad for Graph Representation? 的边缘编码中介绍的
SpatialEncoder	空间编码器，如 Do Transformers Really Perform Bad for Graph Representation? 中介绍的
SpatialEncoder3d	3D 空间编码器，如 One Transformer Can Understand Both 2D & 3D Molecular Data 中介绍的
BiasedMHA	带有图注意力偏差的密集多头注意力模块。
GraphormerLayer	带有密集多头注意力的 Graphormer 层，如 Do Transformers Really Perform Bad for Graph Representation? 中介绍的
EGTLayer	Edge-augmented Graph Transformer (EGT) 的 EGT 层，如 `Global Self-Attention as a Replacement for Graph Convolution Reference `<https://arxiv.org/pdf/2108.03348.pdf>`_ 中介绍的