CFConv

class dgl.nn.pytorch.conv.CFConv(node_in_feats, edge_in_feats, hidden_feats, out_feats)[source]

Bases: Module

CFConv来自SchNet: 一种用于建模量子相互作用的连续滤波卷积神经网络

它在消息传递中结合了节点和边的特征，并更新节点表示。

\[h_i^{(l+1)} = \sum_{j\in \mathcal{N}(i)} h_j^{l} \circ W^{(l)}e_ij\]

其中 \(\circ\) 表示元素乘法，对于 \(\text{SPP}\) ：

\[\text{SSP}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x)) - \log(\text{shift})\]

Parameters:

node_in_feats (int) – 输入节点特征的大小 \(h_j^{(l)}\)。
edge_in_feats (int) – 输入边特征的大小 \(e_ij\)。
hidden_feats (int) – 隐藏表示的大小。
out_feats (int) – 输出表示的大小 \(h_j^{(l+1)}\)。

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import CFConv
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> nfeat = th.ones(6, 10)
>>> efeat = th.ones(6, 5)
>>> conv = CFConv(10, 5, 3, 2)
>>> res = conv(g, nfeat, efeat)
>>> res
tensor([[-0.1209, -0.2289],
        [-0.1209, -0.2289],
        [-0.1209, -0.2289],
        [-0.1135, -0.2338],
        [-0.1209, -0.2289],
        [-0.1283, -0.2240]], grad_fn=<SubBackward0>)

forward(g, node_feats, edge_feats)[source]

Description

执行消息传递并更新节点表示。

param g:: 图表。
type g:: DGLGraph
param node_feats:: 输入节点特征。如果给定的是torch.Tensor，它表示形状为\((N, D_{in})\)的输入节点特征，其中\(D_{in}\)是输入特征的大小，\(N\)是节点的数量。如果给定的是torch.Tensor对，这是二分图的情况，这对必须包含两个形状分别为\((N_{src}, D_{in_{src}})\)和\((N_{dst}, D_{in_{dst}})\)的张量，分别用于源节点和目标节点。
type node_feats:: torch.Tensor 或一对 torch.Tensor
param edge_feats:: 输入边的特征形状为 \((E, edge_in_feats)\)，其中 \(E\) 是边的数量。
type edge_feats:: torch.Tensor
returns:: 输出节点特征的形状为 \((N_{out}, out_feats)\)，其中 \(N_{out}\) 是目标节点的数量。
rtype:: torch.Tensor