mindspore_gl.nn.ChebConv

class mindspore_gl.nn.ChebConv(in_channels: int, out_channels: int, k: int = 3, bias: bool = True)

切比雪夫谱图卷积层。来自论文 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 。

$$\begin{array}{r}\begin{array}{c}{\mathbf{X}}^{\prime }=\sigma (\sum _{k=1}^K{\beta }^k\cdot {\mathbf{T}}^k(\hat{\mathbf{L}})\cdot X)\\ \hat{\mathbf{L}}=2\mathbf{L}/{\lambda }_{max}-\mathbf{I}\end{array}\end{array}$$

${\mathbf{T}}^k$ 递归计算方式为

$${\mathbf{T}}^k(\hat{\mathbf{L}})=2\hat{\mathbf{L}}{\mathbf{T}}^{k-1}-{\mathbf{T}}^{k-2}$$

其中 $\mathbf{k}$ 是1或2

$$\begin{array}{r}\begin{array}{c}{\mathbf{T}}^0(\hat{\mathbf{L}})=\mathbf{I}\\ {\mathbf{T}}^1(\hat{\mathbf{L}})=\hat{\mathbf{L}}\end{array}\end{array}$$

参数：

• in_channels (int) - 输入节点特征大小。

• out_channels (int) - 输出节点特征大小。

• k (int, 可选) - Chebyshev过滤器大小。默认值：3。

• bias (bool, 可选) - 是否使用偏置。默认值：True。

输入：

• x (Tensor) - 输入节点功能。Shape为 $(N,D_{in})$ 其中 $N$ 应等于参数中的 in_channels 。

• edge_weight (Tensor) - 边权重。Shape为 $(N\mathrm{\_}e,)$ 其中 $N\mathrm{\_}e$ 是边的数量。

• g (Graph) - 输入图。

输出：

• Tensor，输出节点特征的Shape为 $(N,D_{out})$ 其中 $(D_{out})$ 应与参数中的 out_size 相等。

异常：

• TypeError - 如果 in_channels 或 out_channels 或 k 不是int。

• TypeError - 如果 bias 不是bool。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import ChebConv
>>> from mindspore_gl import GraphField
>>> from mindspore_gl.utils import norm
>>> n_nodes = 2
>>> feat_size = 4
>>> edge_index = [[0, 1], [1, 0]]
>>> edge_index = ms.Tensor(edge_index, ms.int32)
>>> ones = ms.ops.Ones()
>>> feat = ones((n_nodes, feat_size), ms.float32)
>>> edge_index, edge_weight = norm(edge_index, n_nodes)
>>> feat = ones((n_nodes, feat_size), ms.float32)
>>> checonv = ChebConv(in_channels=feat_size, out_channels=4, k=3)
>>> res = checonv(feat, edge_weight, *graph_field.get_graph())
>>> print(res.shape)
(2, 4)