CFConv

class dgl.nn.pytorch.conv.CFConv(node_in_feats, edge_in_feats, hidden_feats, out_feats)

基类: Module

来自SchNet: 用于模拟量子相互作用的连续滤波器卷积神经网络 的 CFConv

它在消息传递中结合节点和边特征，并更新节点表示。

\[h_i^{(l+1)} = \sum_{j\in \mathcal{N}(i)} h_j^{l} \circ W^{(l)}e_ij\]

其中\(\circ\)表示逐元素乘法，对于\(\text{SPP}\)

\[\text{SSP}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x)) - \log(\text{shift})\]

参数:

• node_in_feats (int) – 输入节点特征\(h_j^{(l)}\)的大小。

• edge_in_feats (int) – 输入边特征\(e_ij\)的大小。

• hidden_feats (int) – 隐藏表示的大小。

• out_feats (int) – 输出表示\(h_j^{(l+1)}\)的大小。

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import CFConv
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> nfeat = th.ones(6, 10)
>>> efeat = th.ones(6, 5)
>>> conv = CFConv(10, 5, 3, 2)
>>> res = conv(g, nfeat, efeat)
>>> res
tensor([[-0.1209, -0.2289],
        [-0.1209, -0.2289],
        [-0.1209, -0.2289],
        [-0.1135, -0.2338],
        [-0.1209, -0.2289],
        [-0.1283, -0.2240]], grad_fn=<SubBackward0>)

forward(g, node_feats, edge_feats)

描述

执行消息传递并更新节点表示。

参数 g:

图。

类型 g:

DGLGraph

参数 node_feats:

输入节点特征。如果给定一个 torch.Tensor，它表示输入节点特征，形状为 \((N, D_{in})\)，其中\(D_{in}\)是输入特征大小，\(N\)是节点数量。如果是二分图，则给定一对 torch.Tensor，这对张量必须分别包含形状为\((N_{src}, D_{in_{src}})\)和\((N_{dst}, D_{in_{dst}})\)的张量，分别对应源节点和目标节点。

类型 node_feats:

torch.Tensor 或 torch.Tensor 对

参数 edge_feats:

输入边特征，形状为\((E, edge_in_feats)\)，其中\(E\)是边的数量。

类型 edge_feats:

torch.Tensor

返回:

输出节点特征，形状为\((N_{out}, out_feats)\)，其中\(N_{out}\)是目标节点的数量。

返回类型:

torch.Tensor