mindspore_gl.nn.EGConv

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 。

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

\(\mathcal{N}(i)\) 表示 \(i\) 的邻居节点， \(W_{b}^{(l)}\) 表示基础权重， \(\oplus\) 表示聚合器， \(w_{h,\oplus,b}^{(l)}\) 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 \(H\) 。必须具有 \(out\_feat\_size % num\_heads == 0\) 。默认值：8。

• num_bases (int, 可选) - 基础权重数 \(B\) 。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 \((N, D_{in})\) 其中 \(N\) 是节点数，\(D_{in}\) 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 \((N, D_{out})\) 其中 \((D_{out})\) 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'。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import EGConv
>>> from mindspore_gl import GraphField
>>> n_nodes = 4
>>> n_edges = 7
>>> feat_size = 4
>>> src_idx = ms.Tensor([0, 1, 1, 2, 2, 3, 3], ms.int32)
>>> dst_idx = ms.Tensor([0, 0, 2, 1, 3, 0, 1], ms.int32)
>>> ones = ms.ops.Ones()
>>> feat = ones((n_nodes, feat_size), ms.float32)
>>> graph_field = GraphField(src_idx, dst_idx, n_nodes, n_edges)
>>> conv = EGConv(in_feat_size=4, out_feat_size=6, aggregators=['sum'], num_heads=3, num_bases=3)
>>> res = conv(feat, *graph_field.get_graph())
>>> print(res.shape)
(4, 6)