文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore_gl.nn.AGNNConv

class mindspore_gl.nn.AGNNConv(init_beta: float = 1.0, learn_beta: bool = True)

基于Attention的图神经网络。来自论文 Attention-based Graph Neural Network for Semi-Supervised Learning 。

$$H^{l+1}=P{H}^l$$

计算 $P$ :

$$P_{ij}={\mathrm{softmax}}_i(\beta \cdot \cos (h_i^l,h_j^l))$$

$\beta$ 是单个标量参数。

参数：

• init_beta (float，可选) - 初始化 $\beta$ ，单个标量参数。默认值：1.0。

• learn_beta (bool，可选) - 是否 $\beta$ 可学习。默认值：True。

输入：

• x (Tensor) - 输入节点特征。Shape为 $(N,\ast )$ ，其中 $N$ 是节点数， $\ast$ 可以是任何shape。

• g (Graph) - 输入图表。

输出：

• Tensor，输出节点特征，其中shape应与输入 x 相同。

异常：

• TypeError - 如果 init_beta 不是float。

• TypeError - 如果 learn_beta 不是bool。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import AGNNConv
>>> from mindspore_gl import GraphField
>>> n_nodes = 4
>>> n_edges = 8
>>> feat_size = 16
>>> src_idx = ms.Tensor([0, 0, 0, 1, 1, 1, 2, 3], ms.int32)
>>> dst_idx = ms.Tensor([0, 1, 3, 1, 2, 3, 3, 2], 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 = AGNNConv()
>>> ret = conv(feat, *graph_field.get_graph())
>>> print(ret.shape)
(4, 16)