GatedGCNConv

class dgl.nn.pytorch.conv.GatedGCNConv(input_feats, edge_feats, output_feats, dropout=0, batch_norm=True, residual=True, activation=<function relu>)

基类: Module

来自 Benchmarking Graph Neural Networks 的门控图卷积层。

\[ \begin{align}\begin{aligned}e_{ij}^{l+1}=D^l h_{i}^{l}+E^l h_{j}^{l}+C^l e_{ij}^{l}\\norm_{ij}=\Sigma_{j\in N_{i}} \sigma\left(e_{ij}^{l+1}\right)+\varepsilon\\\hat{e}_{ij}^{l+1}=\sigma(e_{ij}^{l+1}) / norm_{ij}\\h_{i}^{l+1}=A^l h_{i}^{l}+\Sigma_{j \in N_{i}} \hat{e}_{ij}^{l+1} \odot B^l h_{j}^{l}\end{aligned}\end{align} \]

其中 \(h_{i}^{l}\) 是节点 \(i\) 在层 \(l\) 的特征，\(e_{ij}^{l}\) 是边 \(ij\) 在层 \(l\) 的特征，\(\sigma\) 是 sigmoid 函数，\(\varepsilon\) 是一个小的固定常数用于数值稳定性，\(A^l, B^l, C^l, D^l, E^l\) 是线性层。

参数:

• input_feats (int) – 输入特征大小；即 \(h_{i}^{l}\) 的维度数。

• edge_feats (int) – 边特征大小；即 \(e_{ij}^{l}\) 的维度数。

• output_feats (int) – 输出特征大小；即 \(h_{i}^{l+1}\) 的维度数。

• dropout (float, 可选) – 节点和边特征的 dropout 率。默认值：0。

• batch_norm (bool, 可选) – 是否在节点和边特征上包含批归一化。默认值：True。

• residual (bool, 可选) – 是否包含残差连接。默认值：True。

• activation (可调用激活函数/层 或 None, 可选) – 如果不是 None，则对更新后的节点特征应用激活函数。默认值：F.relu。

示例

>>> import dgl
>>> import torch as th
>>> import torch.nn.functional as F
>>> from dgl.nn import GatedGCNConv

>>> num_nodes, num_edges = 8, 30
>>> graph = dgl.rand_graph(num_nodes,num_edges)
>>> node_feats = th.rand(num_nodes, 20)
>>> edge_feats = th.rand(num_edges, 12)
>>> gatedGCN = GatedGCNConv(20, 12, 20)
>>> new_node_feats, new_edge_feats = gatedGCN(graph, node_feats, edge_feats)
>>> new_node_feats.shape, new_edge_feats.shape
(torch.Size([8, 20]), torch.Size([30, 20]))

forward(graph, feat, edge_feat)

描述

计算门控图卷积层。

参数 graph:

图。

类型 graph:

DGLGraph

参数 feat:

输入特征，形状为 \((N, D_{in})\)，其中 \(N\) 是图的节点数，\(D_{in}\) 是输入特征大小。

类型 feat:

torch.Tensor

参数 edge_feat:

输入边特征，形状为 \((E, D_{edge})\)，其中 \(E\) 是边数，\(D_{edge}\) 是边特征的大小。

类型 edge_feat:

torch.Tensor

返回:

• torch.Tensor – 输出节点特征，形状为 \((N, D_{out})\)，其中 \(D_{out}\) 是输出特征大小。

• torch.Tensor – 输出边特征，形状为 \((E, D_{out})\)，其中 \(D_{out}\) 是输出特征大小。