mindspore_gl.nn.GlobalAttentionPooling

class mindspore_gl.nn.GlobalAttentionPooling(gate_nn, feat_nn=None)

将全局attention池应用于图表中的节点。 来自论文 Gated Graph Sequence Neural Networks 。

\[r^{(i)} = \sum_{k=1}^{N_i}\mathrm{softmax}\left(f_{gate} \left(x^{(i)}_k\right)\right) f_{feat}\left(x^{(i)}_k\right)\]

参数：

• gate_nn (Cell) - 用于计算每个特征的attention分数的神经网络。

• feat_nn (Cell, 可选) - 在将每个特征与attention分数结合起来之前，应用于每个特征的神经网络。默认值：None。

输入：

• x (Tensor) - 要更新的输入节点特征。Shape为 \((N, D)\) 其中 \(N\) 是节点数，\(D\) 是节点的特征大小。

• g (BatchedGraph) - 输入图。

输出：

• x (Tensor) - 图的输出表示。Shape为 \((2, D_{out})\) 其中 \(D_{out}\) 是节点的特征大小。

异常：

• TypeError - 如果 gate_nn 类型或 feat_nn 类型不是 mindspore.nn.Cell。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore_gl.nn import GlobalAttentionPooling
>>> from mindspore_gl import BatchedGraphField
>>> n_nodes = 7
>>> n_edges = 8
>>> src_idx = ms.Tensor([0, 2, 2, 3, 4, 5, 5, 6], ms.int32)
>>> dst_idx = ms.Tensor([1, 0, 1, 5, 3, 4, 6, 4], ms.int32)
>>> ver_subgraph_idx = ms.Tensor([0, 0, 0, 1, 1, 1, 1], ms.int32)
>>> edge_subgraph_idx = ms.Tensor([0, 0, 0, 1, 1, 1, 1, 1], ms.int32)
>>> graph_mask = ms.Tensor([1, 1], ms.int32)
>>> batched_graph_field = BatchedGraphField(src_idx, dst_idx, n_nodes, n_edges, ver_subgraph_idx,
...                                         edge_subgraph_idx, graph_mask)
>>> node_feat = np.random.random((n_nodes, 4))
>>> node_feat = ms.Tensor(node_feat, ms.float32)
>>> gate_nn = ms.nn.Dense(4, 1)
>>> net = GlobalAttentionPooling(gate_nn)
>>> ret = net(node_feat, *batched_graph_field.get_batched_graph())
>>> print(ret.shape)
(2, 4)