TWIRLSUnfoldingAndAttention
- class dgl.nn.pytorch.conv.TWIRLSUnfoldingAndAttention(d, alp, lam, prop_step, attn_aft=-1, tau=0.2, T=-1, p=1, use_eta=False, init_att=False, attn_dropout=0, precond=True)[source]
基类:
Module描述
结合了传播和注意力。
- 参数 d:
图特征的维度。
- 类型 d:
int
- 参数 alp:
步长。论文中的 \(\alpha\)。
- 类型 alp:
float
- 参数 lam:
图平滑项的系数。论文中的 \(\lambda\)。
- 类型 lam:
int
- 参数 prop_step:
传播步数
- 类型 prop_step:
int
- 参数 attn_aft:
注意力层放置的位置。即在注意力之前进行的传播步数。如果设置为
-1，则不使用注意力。- 类型 attn_aft:
int
- 参数 tau:
下限阈值参数。对应论文中的 \(\tau\)。
- 类型 tau:
float
- 参数 T:
上限阈值参数。对应论文中的 \(T\)。
- 类型 T:
float
- 参数 p:
对应论文中的 \(\rho\)。
- 类型 p:
float
- 参数 use_eta:
如果为 True，则在执行注意力时为每个维度学习一个权重向量。
- 类型 use_eta:
bool
- 参数 init_att:
如果为
True，则在传播之前添加一个额外的注意力层。- 类型 init_att:
bool
- 参数 attn_dropout:
注意力值的 dropout 率。默认值：
0.0。- 类型 attn_dropout:
float
- 参数 precond:
如果为
True，则使用预处理和重新参数化的传播版本（公式 28），否则使用归一化拉普拉斯（公式 30）。- 类型 precond:
bool
示例
>>> import dgl >>> from dgl.nn import TWIRLSUnfoldingAndAttention >>> import torch as th
>>> g = dgl.graph(([0, 1, 2, 3, 2, 5], [1, 2, 3, 4, 0, 3])).add_self_loop() >>> feat = th.ones(6,5) >>> prop = TWIRLSUnfoldingAndAttention(10, 1, 1, prop_step=3) >>> res = prop(g,feat) >>> res tensor([[2.5000, 2.5000, 2.5000, 2.5000, 2.5000], [2.5000, 2.5000, 2.5000, 2.5000, 2.5000], [2.5000, 2.5000, 2.5000, 2.5000, 2.5000], [3.7656, 3.7656, 3.7656, 3.7656, 3.7656], [2.5217, 2.5217, 2.5217, 2.5217, 2.5217], [4.0000, 4.0000, 4.0000, 4.0000, 4.0000]])