SAGEConv
- class dgl.nn.pytorch.conv.SAGEConv(in_feats, out_feats, aggregator_type, feat_drop=0.0, bias=True, norm=None, activation=None)[源码]
基类:
Module来自 大规模图上的归纳式表示学习 的 GraphSAGE 层
\[ \begin{align}\begin{aligned}h_{\mathcal{N}(i)}^{(l+1)} &= \mathrm{aggregate} \left(\{h_{j}^{l}, \forall j \in \mathcal{N}(i) \}\right)\\h_{i}^{(l+1)} &= \sigma \left(W \cdot \mathrm{concat} (h_{i}^{l}, h_{\mathcal{N}(i)}^{l+1}) \right)\\h_{i}^{(l+1)} &= \mathrm{norm}(h_{i}^{(l+1)})\end{aligned}\end{align} \]如果提供了每条边上的权重张量，聚合方式变为
\[h_{\mathcal{N}(i)}^{(l+1)} = \mathrm{aggregate} \left(\{e_{ji} h_{j}^{l}, \forall j \in \mathcal{N}(i) \}\right)\]其中 \(e_{ji}\) 是从节点 \(j\) 到节点 \(i\) 的边上的标量权重。请确保 \(e_{ji}\) 可以与 \(h_j^{l}\) 进行广播运算。
- 参数:
in_feats (int, 或 int 对) –
输入特征大小；即 \(h_i^{(l)}\) 的维度数量。
SAGEConv 可以应用于同构图和单向 二分图。如果该层应用于单向二分图，
in_feats指定源节点和目标节点的输入特征大小。如果给出了一个标量，则源节点和目标节点的特征大小将采用相同的值。如果聚合器类型是
gcn，则要求源节点和目标节点的特征大小相同。out_feats (int) – 输出特征大小；即 \(h_i^{(l+1)}\) 的维度数量。
aggregator_type (str) – 要使用的聚合器类型 (
mean,gcn,pool,lstm)。feat_drop (float) – 特征上的 Dropout 比率，默认值:
0。bias (bool) – 如果为 True，则向输出添加一个可学习的偏置。默认值:
True。norm (可调用的激活函数/层 或 None, 可选) – 如果不为 None，则对更新后的节点特征应用归一化。
activation (可调用的激活函数/层 或 None, 可选) – 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。
示例
>>> import dgl >>> import numpy as np >>> import torch as th >>> from dgl.nn import SAGEConv
>>> # 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 = SAGEConv(10, 2, 'pool') >>> res = conv(g, feat) >>> res tensor([[-1.0888, -2.1099], [-1.0888, -2.1099], [-1.0888, -2.1099], [-1.0888, -2.1099], [-1.0888, -2.1099], [-1.0888, -2.1099]], 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) >>> conv = SAGEConv((5, 10), 2, 'mean') >>> res = conv(g, (u_fea, v_fea)) >>> res tensor([[ 0.3163, 3.1166], [ 0.3866, 2.5398], [ 0.5873, 1.6597], [-0.2502, 2.8068]], grad_fn=<AddBackward0>)
- forward(graph, feat, edge_weight=None)[源码]
描述
计算 GraphSAGE 层。
- 参数 graph:
图。
- 类型 graph:
DGLGraph
- 参数 feat:
如果给出了一个 torch.Tensor，它代表形状为 \((N, D_{in})\) 的输入特征，其中 \(D_{in}\) 是输入特征的大小，\(N\) 是节点数量。如果给出了一个 torch.Tensor 对，则该对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 或 torch.Tensor 对
- 参数 edge_weight:
可选的边上张量。如果给出，卷积将根据消息进行加权。
- 类型 edge_weight:
torch.Tensor, 可选
- 返回:
输出特征，形状为 \((N_{dst}, D_{out})\)，其中 \(N_{dst}\) 是输入图中的目标节点数量，\(D_{out}\) 是输出特征的大小。
- 返回类型:
torch.Tensor