torch_geometric.nn.conv.GINEConv
- class GINEConv(nn: Module, eps: float = 0.0, train_eps: bool = False, edge_dim: Optional[int] = None, **kwargs)[source]
Bases:
MessagePassing修改后的
GINConv操作符来自“预训练图神经网络的策略”论文。\[\mathbf{x}^{\prime}_i = h_{\mathbf{\Theta}} \left( (1 + \epsilon) \cdot \mathbf{x}_i + \sum_{j \in \mathcal{N}(i)} \mathrm{ReLU} ( \mathbf{x}_j + \mathbf{e}_{j,i} ) \right)\]能够将边缘特征 \(\mathbf{e}_{j,i}\) 整合到聚合过程中。
- Parameters:
nn (torch.nn.Module) – 一个神经网络 \(h_{\mathbf{\Theta}}\)，它将形状为
[-1, in_channels]的节点特征x映射到形状为[-1, out_channels]的输出，例如，由torch.nn.Sequential定义。eps (float, optional) – (初始) \(\epsilon\)-值。 (默认:
0.)train_eps (bool, 可选) – 如果设置为
True, \(\epsilon\) 将是一个可训练的参数。(默认:False)edge_dim (int, optional) – 边的特征维度。如果设置为
None，节点和边的特征维度应匹配。否则，边的特征将通过线性变换以匹配 节点的特征维度。（默认值：None）**kwargs (optional) – Additional arguments of
torch_geometric.nn.conv.MessagePassing.
- Shapes:
input: node features \((|\mathcal{V}|, F_{in})\) or \(((|\mathcal{V_s}|, F_{s}), (|\mathcal{V_t}|, F_{t}))\) if bipartite, edge indices \((2, |\mathcal{E}|)\), edge features \((|\mathcal{E}|, D)\) (optional)
output: node features \((|\mathcal{V}|, F_{out})\) or \((|\mathcal{V}_t|, F_{out})\) if bipartite