mindspore_gl.nn.GATConv

class mindspore_gl.nn.GATConv(in_feat_size: int, out_size: int, num_attn_head: int, input_drop_out_rate: float = 0.0, attn_drop_out_rate: float = 0.0, leaky_relu_slope: float = 0.2, activation=None, add_norm=False)

图Attention网络。来自论文 Graph Attention Network 。

\[h_i^{(l+1)} = \sum_{j\in \mathcal{N}(i)} \alpha_{i,j} W^{(l)} h_j^{(l)}\]

\(\alpha_{i, j}\) 表示节点 \(i\) 和节点 \(j\) 之间的attention分数。

\[\begin{split}\alpha_{ij}^{l} = \mathrm{softmax_i} (e_{ij}^{l}) \\ e_{ij}^{l} = \mathrm{LeakyReLU}\left(\vec{a}^T [W h_{i} \| W h_{j}]\right)\end{split}\]

参数：

• in_feat_size (int) - 输入节点特征大小。

• out_size (int) - 输出节点特征大小。

• num_attn_head (int) - GAT中使用的attention头数。

• input_drop_out_rate (float, 可选) - 输入丢弃的dropout rate。默认值：0.0。

• attn_drop_out_rate (float, 可选) - attention丢弃的dropout rate。默认值：0.0。

• leaky_relu_slope (float, 可选) - leaky relu的斜率。默认值：0.2。

• activation (Cell, 可选) - 激活函数，默认值：None。

• add_norm (bool, 可选) - 边信息是否需要归一化。默认值：False。

输入：

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

• g (Graph) - 输入图。

输出：

• Tensor，输出特征Shape为 \((N,D_{out})\) ，其中 \(D_{out}\) 应等于 \(D_{in} * num\_attn\_head\) 。

异常：

• TypeError - 如果 in_feat_size 、 out_size 或 num_attn_head 不是int。

• TypeError - 如果 input_drop_out_rate 、 attn_drop_out_rate 或 leaky_relu_slope 不是float。

• TypeError - 如果 activation 不是 mindspore.nn.Cell。

• ValueError - 如果 input_drop_out_rate 或 attn_drop_out_rate 不在范围[0.0, 1.0)内。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import GATConv
>>> 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)
>>> gatconv = GATConv(in_feat_size=4, out_size=2, num_attn_head=3)
>>> res = gatconv(feat, *graph_field.get_graph())
>>> print(res.shape)
(4, 6)