mindspore_gl.nn.EGConv
======================

.. image:: https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/master/resource/_static/logo_source.svg
    :target: https://gitee.com/mindspore/graphlearning/blob/master/docs/api_python/nn/mindspore_gl.nn.EGConv.rst
    :alt: 查看源文件


.. py:class:: mindspore_gl.nn.EGConv(in_feat_size: int, out_feat_size: int, aggregators: List[str], num_heads: int = 8, num_bases: int = 4, bias: bool = True)

    高效图卷积。来自论文 `Adaptive Filters and Aggregator Fusion for Efficient Graph Convolutions <https://arxiv.org/abs/2104.01481>`_ 。

    .. math::
        h_i^{(l+1)} = {\LARGE ||}_{h=1}^{H} \sum_{\oplus \in \mathcal{A}} \sum_{b=1}^{B} w_{h,\oplus,b}^{(l)}
        \bigoplus_{j \in \mathcal{N(i)}} W_{b}^{(l)} h_{j}^{(l)}

    :math:`\mathcal{N}(i)` 表示 :math:`i` 的邻居节点，
    :math:`W_{b}^{(l)}` 表示基础权重，
    :math:`\oplus` 表示聚合器，
    :math:`w_{h,\oplus,b}^{(l)}` 表示头部、聚合器和底部的每顶点加权系数。

    参数：
        - **in_feat_size** (int) - 输入节点特征大小。
        - **out_feat_size** (int) - 输出节点特征大小。
        - **aggregators** (str, 可选) - 要使用的聚合器。支持的聚合器为 ``'sum'``、 ``'mean'``、 ``'max'``、 ``'min'``、 ``'std'``、 ``'var'``、 ``'symnorm'``。
        - **num_heads** (int, 可选) - 头数 :math:`H` 。必须具有 :math:`out\_feat\_size % num\_heads == 0` 。默认值：``8``。
        - **num_bases** (int, 可选) - 基础权重数 :math:`B` 。默认值：``4``。
        - **bias** (bool, 可选) - 是否加入可学习偏置。默认值：``True``。

    输入：
        - **x** (Tensor) - 输入节点功能。Shape为 :math:`(N, D_{in})`
          其中 :math:`N` 是节点数，:math:`D_{in}` 应等于参数中的 `in_feat_size` 。
        - **g** (Graph) - 输入图表。

    输出：
        - Tensor，输出节点特征的Shape为 :math:`(N, D_{out})`
          其中 :math:`(D_{out})` 应与参数中的 `out_feat_size` 相等。

    异常：
        - **TypeError** - 如果 `in_feat_size` 或 `out_feat_size` 或 `num_heads` 不是正整数。
        - **ValueError** - 如果 `out_feat_size` 不能被 `num_heads` 整除。
        - **ValueError** - 如果 `aggregators`- 不为 ``'sum'``、 ``'mean'``、 ``'max'``、 ``'min'``、 ``'symnorm'``、 ``'var'`` 或 ``'std'``。