CuGraphRelGraphConv

class dgl.nn.pytorch.conv.CuGraphRelGraphConv(in_feat, out_feat, num_rels, regularizer=None, num_bases=None, bias=True, self_loop=True, dropout=0.0, apply_norm=False)[source]

Bases: CuGraphBaseConv

一个加速的关系图卷积层，来自使用图卷积网络建模关系数据，它利用了cugraph-ops中高度优化的聚合原语。

请参阅dgl.nn.pytorch.conv.RelGraphConv以了解数学模型。

This module depends on pylibcugraphops package, which can be installed via conda install -c nvidia pylibcugraphops=23.04. pylibcugraphops 23.04 requires python 3.8.x or 3.10.x.

注意

This is an experimental feature.

Parameters:

  • in_feat (int) – 输入特征大小。

  • out_feat (int) – 输出特征大小。

  • num_rels (int) – 关系的数量。

  • regularizer (str, optional) –

    使用哪种权重正则化器（“basis” 或 None）：

    • “basis” 用于基础分解。

    • None 表示不应用正则化。

    默认值：None。

  • num_bases (int, optional) – 基础数量。当应用正则化器时生效。 默认值: None.

  • 偏差 (bool, 可选) – 如果添加了偏差则为True。默认值：True。

  • self_loop (bool, 可选) – 如果为True，则包含自环消息。默认值：True。

  • dropout (float, optional) – 丢弃率。默认值：0.0。

  • apply_norm (bool, optional) – 如果为True，则按每条边类型的目标节点的入度对聚合输出进行归一化，即 \(|\mathcal{N}^r_i|\)。默认值：True。

示例

>>> import dgl
>>> import torch
>>> from dgl.nn import CuGraphRelGraphConv
...
>>> device = 'cuda'
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3])).to(device)
>>> feat = torch.ones(6, 10).to(device)
>>> conv = CuGraphRelGraphConv(
...     10, 2, 3, regularizer='basis', num_bases=2).to(device)
>>> etype = torch.tensor([0,1,2,0,1,2]).to(device)
>>> res = conv(g, feat, etype)
>>> res
tensor([[-1.7774, -2.0184],
        [-1.4335, -2.3758],
        [-1.7774, -2.0184],
        [-0.4698, -3.0876],
        [-1.4335, -2.3758],
        [-1.4331, -2.3295]], device='cuda:0', grad_fn=<AddBackward0>)
forward(g, feat, etypes, max_in_degree=None)[source]

前向计算。

Parameters:

  • g (DGLGraph) – The graph.

  • 特征 (torch.Tensor) – 一个2D张量的节点特征。形状：\((|V|, D_{in})\)。

  • etypes (torch.Tensor) – 一个一维整数张量，表示边的类型。形状为：\((|E|,)\)。 请注意，cugraph-ops 只接受 int32 类型的边类型张量， 因此任何其他整数类型的输入都将被强制转换为 int32， 从而引入一些开销。为了获得最佳性能，请直接传入 int32 张量。

  • max_in_degree (int, optional) – 目标节点的最大入度。只有当g是DGLBlock时，即二分图时，才有效。当g是从邻居采样器生成时，该值应设置为相应的fanout。如果未给出，max_in_degree将动态计算。

Returns:

新节点特征。形状：\((|V|, D_{out})\)。

Return type:

torch.Tensor

reset_parameters()[source]

重新初始化可学习的参数。