mindspore_gl.nn.CFConv

class mindspore_gl.nn.CFConv(node_feat_size: int, edge_feat_size: int, hidden_size: int, out_size: int)

SchNet中的CFConv。 来自论文 SchNet: A continuous-filter convolutional neural network for modeling quantum interactions 。 它结合了消息传递中的节点和边特征，并更新节点表示。

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

其中 \(SPP\) 代表：

\[\text{SSP}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x)) - \log(\text{shift})\]

参数：

• node_feat_size (int) - 节点特征大小。

• edge_feat_size (int) - 边特征大小。

• hidden_size (int) - 隐藏层大小。

• out_size (int) - 输出类大小。

输入：

• x (Tensor) - 输入节点功能。Shape为 \((N,*)\) ，其中 \(N\) 是节点数， \(*\) 可以是任何shape。

• edge_feats (Tensor) - 输入边特征。Shape为 \((M,*)\) ，其中 \(M\) 是边， \(*\) 可以是任何shape。

• g (Graph) - 输入图表。

输出：

• Tensor，输出节点功能。Shape为 \((N, out\_size)\) 。

异常：

• TypeError - 如果 node_feat_size 不是正整数。

• TypeError - 如果 edge_feat_size 不是正整数。

• TypeError - 如果 hidden_size 不是正整数。

• TypeError - 如果 out_size 不是正整数。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import CFConv
>>> 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()
>>> nodes_feat = ones((n_nodes, feat_size), ms.float32)
>>> edges_feat = ones((n_edges, feat_size), ms.float32)
>>> graph_field = GraphField(src_idx, dst_idx, n_nodes, n_edges)
>>> hidden_size = 8
>>> out_size = 4
>>> conv = CFConv(feat_size, feat_size, hidden_size, out_size)
>>> ret = conv(nodes_feat, edges_feat, *graph_field.get_graph())
>>> print(ret.shape)
(4, 4)