DenseGraphConv
- class dgl.nn.pytorch.conv.DenseGraphConv(in_feats, out_feats, norm='both', bias=True, activation=None)[source]
Bases:
Module图卷积层来自使用图卷积网络进行半监督分类
我们建议用户在密集图上应用图卷积时使用此模块。
- Parameters:
in_feats (int) – 输入特征大小；即，\(h_j^{(l)}\) 的维度数。
out_feats (int) – 输出特征大小；即\(h_i^{(l+1)}\)的维度数。
norm (str, optional) – 如何应用归一化器。如果是 ‘right’，则将聚合的消息除以每个节点的入度，这相当于对接收到的消息进行平均。如果是 ‘none’，则不应用归一化。默认是 ‘both’，其中应用了论文中的 \(c_{ij}\)。
偏差 (bool, 可选) – 如果为True，则向输出添加一个可学习的偏差。默认值：
True。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。
注释
零入度节点将导致全零输出。为了避免这种情况，常见的做法是为图中的每个节点添加自环，这可以通过将邻接矩阵的对角线设置为1来实现。
示例
>>> import dgl >>> import numpy as np >>> import torch as th >>> from dgl.nn import DenseGraphConv >>> >>> feat = th.ones(6, 10) >>> adj = th.tensor([[0., 0., 1., 0., 0., 0.], ... [1., 0., 0., 0., 0., 0.], ... [0., 1., 0., 0., 0., 0.], ... [0., 0., 1., 0., 0., 1.], ... [0., 0., 0., 1., 0., 0.], ... [0., 0., 0., 0., 0., 0.]]) >>> conv = DenseGraphConv(10, 2) >>> res = conv(adj, feat) >>> res tensor([[0.2159, 1.9027], [0.3053, 2.6908], [0.3053, 2.6908], [0.3685, 3.2481], [0.3053, 2.6908], [0.0000, 0.0000]], grad_fn=<AddBackward0>)
另请参阅
- forward(adj, feat)[source]
计算（密集）图卷积层。
- Parameters:
adj (torch.Tensor) – 要应用图卷积的图的邻接矩阵，当应用于单向二分图时，
adj的形状应为 应为形状 \((N_{out}, N_{in})\)；当应用于同构图时，adj的形状应为 \((N, N)\)。在这两种情况下， 一行表示目标节点，而一列表示源节点。特征 (torch.Tensor) – 输入特征。
- Returns:
输出特征的形状为 \((N, D_{out})\)，其中 \(D_{out}\) 是输出特征的大小。
- Return type:
torch.Tensor