TAGConv

class dgl.nn.pytorch.conv.TAGConv(in_feats, out_feats, k=2, bias=True, activation=None)[source]

基类: Module

来自 Topology Adaptive Graph Convolutional Networks 的拓扑自适应图卷积层

\[H^{K} = {\sum}_{k=0}^K (D^{-1/2} A D^{-1/2})^{k} X {\Theta}_{k},\]

其中 \(A\) 表示邻接矩阵，\(D_{ii} = \sum_{j=0} A_{ij}\) 表示其对角度的矩阵，\({\Theta}_{k}\) 表示用于将不同跳数的结果相加的线性权重。

参数:

in_feats (int) – 输入特征大小。即 \(X\) 的维度数。
out_feats (int) – 输出特征大小。即 \(H^{K}\) 的维度数。
k (int, optional) – 跳数 \(K\)。默认值: 2。
bias (bool, optional) – 如果为 True，则在输出中添加可学习的偏置项。默认值: True。
activation (可调用的激活函数/层 或 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。

lin

可学习的线性模块。

类型:: torch.Module

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import TAGConv
>>>
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> feat = th.ones(6, 10)
>>> conv = TAGConv(10, 2, k=2)
>>> res = conv(g, feat)
>>> res
tensor([[ 0.5490, -1.6373],
        [ 0.5490, -1.6373],
        [ 0.5490, -1.6373],
        [ 0.5513, -1.8208],
        [ 0.5215, -1.6044],
        [ 0.3304, -1.9927]], grad_fn=<AddmmBackward>)

forward(graph, feat, edge_weight=None)[source]

描述

计算拓扑自适应图卷积。

参数 graph:: 图。
类型 graph:: DGLGraph
参数 feat:: 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。
类型 feat:: torch.Tensor
参数 edge_weight:: 在消息传递过程中使用的 edge_weight。这等价于在上述公式中使用加权邻接矩阵，并且 \(\tilde{D}^{-1/2}\tilde{A} \tilde{D}^{-1/2}\) 基于 dgl.nn.pytorch.conv.graphconv.EdgeWeightNorm。
类型 edge_weight:: torch.Tensor, optional
返回:: 形状为 \((N, D_{out})\) 的输出特征，其中 \(D_{out}\) 是输出特征的大小。
返回类型:: torch.Tensor

reset_parameters()[source]: 描述

重新初始化可学习参数。

注意

模型参数使用 Glorot 均匀初始化。