mindspore_gl.nn.ChebConv

class mindspore_gl.nn.ChebConv(in_channels: int, out_channels: int, k: int = 3, bias: bool = True)

切比雪夫谱图卷积层。来自论文 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 。

\[ \begin{align}\begin{aligned}\mathbf{X}^{\prime} = {\sigma}(\sum_{k=1}^{K} \mathbf{\beta}^{k} \cdot \mathbf{T}^{k} (\mathbf{\hat{L}}) \cdot X)\\\mathbf{\hat{L}} = 2 \mathbf{L} / {\lambda}_{max} - \mathbf{I}\end{aligned}\end{align} \]

\(\mathbf{T}^{k}\) 递归计算方式为

\[\mathbf{T}^{k}(\mathbf{\hat{L}}) = 2 \mathbf{\hat{L}}\mathbf{T}^{k-1} - \mathbf{T}^{k-2}\]

其中 \(\mathbf{k}\) 是1或2

\[ \begin{align}\begin{aligned}\mathbf{T}^{0} (\mathbf{\hat{L}}) = \mathbf{I}\\\mathbf{T}^{1} (\mathbf{\hat{L}}) = \mathbf{\hat{L}}\end{aligned}\end{align} \]

参数：

• in_channels (int) - 输入节点特征大小。

• out_channels (int) - 输出节点特征大小。

• k (int, 可选) - Chebyshev过滤器大小。默认值：3。

• bias (bool, 可选) - 是否使用偏置。默认值：True。

输入：

• x (Tensor) - 输入节点功能。Shape为 \((N, D_{in})\) 其中 \(N\) 应等于参数中的 in_channels 。

• edge_weight (Tensor) - 边权重。Shape为 \((N\_e,)\) 其中 \(N\_e\) 是边的数量。

• g (Graph) - 输入图。

输出：

• Tensor，输出节点特征的Shape为 \((N, D_{out})\) 其中 \((D_{out})\) 应与参数中的 out_size 相等。

异常：

• TypeError - 如果 in_channels 或 out_channels 或 k 不是int。

• TypeError - 如果 bias 不是bool。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import ChebConv
>>> from mindspore_gl import GraphField
>>> from mindspore_gl.utils import norm
>>> n_nodes = 2
>>> feat_size = 4
>>> edge_index = [[0, 1], [1, 0]]
>>> edge_index = ms.Tensor(edge_index, ms.int32)
>>> ones = ms.ops.Ones()
>>> feat = ones((n_nodes, feat_size), ms.float32)
>>> edge_index, edge_weight = norm(edge_index, n_nodes)
>>> feat = ones((n_nodes, feat_size), ms.float32)
>>> checonv = ChebConv(in_channels=feat_size, out_channels=4, k=3)
>>> res = checonv(feat, edge_weight, *graph_field.get_graph())
>>> print(res.shape)
(2, 4)