NNConv

class dgl.nn.pytorch.conv.NNConv(in_feats, out_feats, edge_func, aggregator_type='mean', residual=False, bias=True)[source]

Bases: Module

图卷积层来自量子化学的神经消息传递

\[h_{i}^{l+1} = h_{i}^{l} + \mathrm{aggregate}\left(\left\{ f_\Theta (e_{ij}) \cdot h_j^{l}, j\in \mathcal{N}(i) \right\}\right)\]

其中 \(e_{ij}\) 是边的特征，\(f_\Theta\) 是一个具有可学习参数的函数。

Parameters:

in_feats (int) – 输入特征大小；即\(h_j^{(l)}\)的维度数。 NNConv可以应用于同构图和单向的二分图。如果该层要应用于单向二分图，in_feats 指定源节点和目标节点的输入特征大小。如果给定一个标量，源节点和目标节点的特征大小将取相同的值。
out_feats (int) – Output feature size; i.e., the number of dimensions of \(h_i^{(l+1)}\).
edge_func (可调用的激活函数/层) – 将每个边的特征映射为形状为 (in_feats * out_feats) 的向量作为权重来计算消息。同时也是公式中的 \(f_\Theta\)。
aggregator_type (str) – 使用的聚合器类型 (sum, mean 或 max)。
残差 (bool, 可选) – 如果为True，使用残差连接。默认值：False。
bias (bool, optional) – If True, adds a learnable bias to the output. Default: True.

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import NNConv

>>> # Case 1: Homogeneous graph
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> g = dgl.add_self_loop(g)
>>> feat = th.ones(6, 10)
>>> lin = th.nn.Linear(5, 20)
>>> def edge_func(efeat):
...     return lin(efeat)
>>> efeat = th.ones(6+6, 5)
>>> conv = NNConv(10, 2, edge_func, 'mean')
>>> res = conv(g, feat, efeat)
>>> res
tensor([[-1.5243, -0.2719],
        [-1.5243, -0.2719],
        [-1.5243, -0.2719],
        [-1.5243, -0.2719],
        [-1.5243, -0.2719],
        [-1.5243, -0.2719]], grad_fn=<AddBackward0>)

>>> # Case 2: Unidirectional bipartite graph
>>> u = [0, 1, 0, 0, 1]
>>> v = [0, 1, 2, 3, 2]
>>> g = dgl.heterograph({('_N', '_E', '_N'):(u, v)})
>>> u_feat = th.tensor(np.random.rand(2, 10).astype(np.float32))
>>> v_feat = th.tensor(np.random.rand(4, 10).astype(np.float32))
>>> conv = NNConv(10, 2, edge_func, 'mean')
>>> efeat = th.ones(5, 5)
>>> res = conv(g, (u_feat, v_feat), efeat)
>>> res
tensor([[-0.6568,  0.5042],
        [ 0.9089, -0.5352],
        [ 0.1261, -0.0155],
        [-0.6568,  0.5042]], grad_fn=<AddBackward0>)

forward(graph, feat, efeat)[source]

计算MPNN图卷积层。

Parameters:

graph (DGLGraph) – The graph.
feat (torch.Tensor 或 pair 的 torch.Tensor) – 输入特征的形状为 \((N, D_{in})\)，其中 \(N\) 是图中节点的数量，\(D_{in}\) 是输入特征的大小。
efeat (torch.Tensor) – 形状为 \((E, *)\) 的边特征，应符合 edge_func 的输入形状要求。\(E\) 是图的边数。

Returns:

The output feature of shape \((N, D_{out})\) where \(D_{out}\) is the output feature size.

Return type:

torch.Tensor

reset_parameters()[source]: Description

重新初始化可学习的参数。

注意

模型参数使用Glorot均匀初始化进行初始化，偏置初始化为零。

NNConv

Description