GMMConv
- class dgl.nn.pytorch.conv.GMMConv(in_feats, out_feats, dim, n_kernels, aggregator_type='sum', residual=False, bias=True, allow_zero_in_degree=False)[source]
基类:
Module高斯混合模型卷积层，出自论文 Geometric Deep Learning on Graphs and Manifolds using Mixture Model CNNs
\[ \begin{align}\begin{aligned}u_{ij} &= f(x_i, x_j), x_j \in \mathcal{N}(i)\\w_k(u) &= \exp\left(-\frac{1}{2}(u-\mu_k)^T \Sigma_k^{-1} (u - \mu_k)\right)\\h_i^{l+1} &= \mathrm{aggregate}\left(\left\{\frac{1}{K} \sum_{k}^{K} w_k(u_{ij}), \forall j\in \mathcal{N}(i)\right\}\right)\end{aligned}\end{align} \]其中 \(u\) 表示一个顶点与其邻居之间的伪坐标，使用函数 \(f\) 计算；\(\Sigma_k^{-1}\) 和 \(\mu_k\) 是可学习的参数，分别表示高斯核的协方差矩阵和均值向量。
- 参数:
in_feats (int) – 输入特征数；即 \(x_i\) 的维度数。
out_feats (int) – 输出特征数；即 \(h_i^{(l+1)}\) 的维度数。
dim (int) – 伪坐标的维度；即 \(u_{ij}\) 的维度数。
n_kernels (int) – 核的数量 \(K\)。
aggregator_type (str) – 聚合器类型（
sum,mean,max）。默认值：sum。residual (bool) – 如果为 True，则在此层内部使用残差连接。默认值：
False。bias (bool) – 如果为 True，则向输出添加一个可学习的偏置项。默认值：
True。allow_zero_in_degree (bool, optional) – 如果图中存在入度为 0 的节点，则这些节点的输出将无效，因为没有消息传递到这些节点。这对于某些应用是有害的，可能导致性能无声下降。如果检测到输入图中有入度为 0 的节点，本模块将引发 DGLError。通过设置为
True，将抑制此检查，让用户自行处理。默认值：False。
注意
入度为零的节点将导致输出值无效。这是因为没有消息传递到这些节点，聚合函数将应用于空输入。一个避免这种情况的常见做法是，如果图是同构的，则为图中的每个节点添加自环，这可以通过以下方式实现：
>>> g = ... # a DGLGraph >>> g = dgl.add_self_loop(g)
对于某些图，例如异构图，由于自环边的边类型无法确定，调用
add_self_loop将不起作用。对于这些情况，将allow_zero_in_degree设置为True以解除代码阻塞并手动处理入度为零的节点。一个常见的做法是在卷积后过滤掉入度为零的节点。示例
>>> import dgl >>> import numpy as np >>> import torch as th >>> from dgl.nn import GMMConv
>>> # Case 1: Homogeneous graph >>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3])) >>> g = dgl.add_self_loop(g) >>> feat = th.ones(6, 10) >>> conv = GMMConv(10, 2, 3, 2, 'mean') >>> pseudo = th.ones(12, 3) >>> res = conv(g, feat, pseudo) >>> res tensor([[-0.3462, -0.2654], [-0.3462, -0.2654], [-0.3462, -0.2654], [-0.3462, -0.2654], [-0.3462, -0.2654], [-0.3462, -0.2654]], grad_fn=<AddBackward0>)
>>> # Case 2: Unidirectional bipartite graph >>> u = [0, 1, 0, 0, 1] >>> v = [0, 1, 2, 3, 2] >>> g = dgl.heterograph({('_N', '_E', '_N'):(u, v)}) >>> u_fea = th.rand(2, 5) >>> v_fea = th.rand(4, 10) >>> pseudo = th.ones(5, 3) >>> conv = GMMConv((10, 5), 2, 3, 2, 'mean') >>> res = conv(g, (u_fea, v_fea), pseudo) >>> res tensor([[-0.1107, -0.1559], [-0.1646, -0.2326], [-0.1377, -0.1943], [-0.1107, -0.1559]], grad_fn=<AddBackward0>)
- forward(graph, feat, pseudo)[source]
描述
计算高斯混合模型卷积层。
- 参数 graph:
图。
- 类型 graph:
DGLGraph
- 参数 feat:
如果给定单个张量，则是形状为 \((N, D_{in})\) 的输入特征，其中 \(D_{in}\) 是输入特征的大小，\(N\) 是节点数。如果给定一对张量，则这对张量必须包含两个形状分别为 \((N_{in}, D_{in_{src}})\) 和 \((N_{out}, D_{in_{dst}})\) 的张量。
- 类型 feat:
torch.Tensor
- 参数 pseudo:
伪坐标张量，形状为 \((E, D_{u})\)，其中 \(E\) 是图的边数，\(D_{u}\) 是伪坐标的维度。
- 类型 pseudo:
torch.Tensor
- 返回值:
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
- 引发 DGLError:
如果输入图中存在入度为 0 的节点，将引发 DGLError，因为没有消息传递到这些节点。这将导致输出无效。通过将
allow_zero_in_degree参数设置为True可以忽略此错误。