mindspore_gl.nn.GCNConv2

class mindspore_gl.nn.GCNConv2(in_feat_size: int, out_size: int)

图卷积网络层。 来自论文 Semi-Supervised Classification with Graph Convolutional Networks 。

\[h_i^{(l+1)} = (\sum_{j\in\mathcal{N}(i)}h_j^{(l)}W_1^{(l)}+b^{(l)} )+h_i^{(l)}W_2^{(l)}\]

\(\mathcal{N}(i)\) 表示 \(i\) 的邻居节点。 \(W_1\) 和 \(W_2\) 对应邻居节点和根节点的fc层。

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。

输入：

• x (Tensor) - 输入节点特征。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。

输出：

• Tensor，Shape为 \((N, D_{out})\) 的输出节点特征，其中 \((D_{out})\) 应等于参数中的 out_size 。

异常：

• TypeError - 如果 in_feat_size 或 out_size 不是int。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import GCNConv2
>>> 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)
>>> gcnconv2 = GCNConv2(in_feat_size=4, out_size=2)
>>> res = gcnconv2(feat, *graph_field.get_graph())
>>> print(res.shape)
(4, 2)