mindspore_gl.nn.EDGEConv

class mindspore_gl.nn.EDGEConv(in_feat_size: int, out_feat_size: int, batch_norm: bool, bias=True)

EdgeConv层。来自论文 Dynamic Graph CNN for Learning on Point Clouds 。

\[h_i^{(l+1)} = \max_{j \in \mathcal{N}(i)} ( \Theta \cdot (h_j^{(l)} - h_i^{(l)}) + \Phi \cdot h_i^{(l)})\]

\(\mathcal{N}(i)\) 表示 \(i\) 的邻居节点。 \(\Theta\) 和 \(\Phi\) 表示线性层。

参数：

• in_feat_size (int) - 输入节点特征大小。

• out_feat_size (int) - 输出节点特征大小。

• batch_norm (bool) - 是否使用批处理归一化。

• bias (bool, 可选) - 是否使用偏置。默认值：True。

输入：

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

• g (Graph) - 输入图。

输出：

Tensor，输出节点特征。Shape为 \((N, out\_feat\_size)\) 。

异常：

• TypeError - 如果 in_feat_size 不是正整数。

• TypeError - 如果 out_feat_size 不是正整数。

• TypeError - 如果 batch_norm 不是bool。

• TypeError - 如果 bias 不是bool。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import EDGEConv
>>> 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)
>>> graph_field = GraphField(src_idx, dst_idx, n_nodes, n_edges)
>>> out_size = 4
>>> conv = EDGEConv(feat_size, out_size, batch_norm=True)
>>> ret = conv(nodes_feat, *graph_field.get_graph())
>>> print(ret.shape)
(4, 4)