DenseGraphConv

class dgl.nn.pytorch.conv.DenseGraphConv(in_feats, out_feats, norm='both', bias=True, activation=None)[source]

基础类: Module

来自 Semi-Supervised Classification with Graph Convolutional Networks 的图卷积层

我们建议用户在对稠密图应用图卷积时使用此模块。

参数:

in_feats (int) – 输入特征大小；即 \(h_j^{(l)}\) 的维数。
out_feats (int) – 输出特征大小；即 \(h_i^{(l+1)}\) 的维数。
norm (str, optional) – 应用归一化器的方式。如果是 ‘right’，则将聚合的消息除以每个节点的入度，这相当于对接收到的消息进行平均。如果是 ‘none’，则不应用归一化。默认值为 ‘both’，其中应用了论文中的 \(c_{ij}\)。
bias (bool, optional) – 如果为 True，则向输出添加一个可学习的偏置项。默认值: True。
activation (callable activation function/layer or None, optional) – 如果不为 None，则对更新后的节点特征应用激活函数。默认值: None。

注意

入度为零的节点将导致全零输出。避免这种情况的一种常见做法是为图中的每个节点添加自环，这可以通过将邻接矩阵的对角线设置为 1 来实现。

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import DenseGraphConv
>>>
>>> feat = th.ones(6, 10)
>>> adj = th.tensor([[0., 0., 1., 0., 0., 0.],
...         [1., 0., 0., 0., 0., 0.],
...         [0., 1., 0., 0., 0., 0.],
...         [0., 0., 1., 0., 0., 1.],
...         [0., 0., 0., 1., 0., 0.],
...         [0., 0., 0., 0., 0., 0.]])
>>> conv = DenseGraphConv(10, 2)
>>> res = conv(adj, feat)
>>> res
tensor([[0.2159, 1.9027],
        [0.3053, 2.6908],
        [0.3053, 2.6908],
        [0.3685, 3.2481],
        [0.3053, 2.6908],
        [0.0000, 0.0000]], grad_fn=<AddBackward0>)

另请参阅

GraphConv

forward(adj, feat)[source]

计算（稠密）图卷积层。

参数:

adj (torch.Tensor) – 要应用图卷积的图的邻接矩阵，当应用于有向二分图时，adj 的形状应为 \((N_{out}, N_{in})\)；当应用于同构图时，adj 的形状应为 \((N, N)\)。在这两种情况下，行代表目标节点，列代表源节点。
feat (torch.Tensor) – 输入特征。

返回:

输出特征，形状为 \((N, D_{out})\)，其中 \(D_{out}\) 是输出特征的大小。

返回类型:

torch.Tensor

reset_parameters()[source]: 重新初始化可学习参数。