CuGraphGATConv
- class dgl.nn.pytorch.conv.CuGraphGATConv(in_feats, out_feats, num_heads, feat_drop=0.0, negative_slope=0.2, residual=False, activation=None, bias=True)[source]
基类:
CuGraphBaseConv来自 Graph Attention Networks 的图注意力层，通过 cugraph-ops 加速了稀疏聚合。
有关数学模型，请参阅
dgl.nn.pytorch.conv.GATConv。此模块依赖于
pylibcugraphops包，可以通过conda install -c nvidia pylibcugraphops=23.04安装。pylibcugraphops23.04 需要 Python 3.8.x 或 3.10.x 版本。注意
这是一项实验性功能。
- 参数：
in_feats (int) – 输入特征大小。
out_feats (int) – 输出特征大小。
num_heads (int) – 多头注意力中的头数。
feat_drop (float, 可选) – 特征的 Dropout 比率。默认值：
0。negative_slope (float, 可选) – LeakyReLU 负斜率的角度。默认值：
0.2。residual (bool, 可选) – 如果为 True，则使用残差连接。默认值：
False。activation (可调用激活函数/层 或 None, 可选。) – 如果不为 None，则将激活函数应用于更新后的节点特征。默认值：
None。bias (bool, 可选) – 如果为 True，则学习偏置项。默认值：
True。
示例
>>> import dgl >>> import torch >>> from dgl.nn import CuGraphGATConv >>> device = 'cuda' >>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3])).to(device) >>> g = dgl.add_self_loop(g) >>> feat = torch.ones(6, 10).to(device) >>> conv = CuGraphGATConv(10, 2, num_heads=3).to(device) >>> res = conv(g, feat) >>> res tensor([[[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]], [[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]], [[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]], [[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]], [[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]], [[ 0.2340, 1.9226], [ 1.6477, -1.9986], [ 1.1138, -1.9302]]], device='cuda:0', grad_fn=<ViewBackward0>)