mindspore_gl.nn.GCNConv

class mindspore_gl.nn.GCNConv(in_feat_size: int, out_size: int, activation=None, dropout=0.5)[源代码]

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

\[h_i^{(l+1)} = \sigma(b^{(l)} + \sum_{j\in\mathcal{N}(i)}\frac{1}{c_{ji}}h_j^{(l)}W^{(l)})\]

\(\mathcal{N}(i)\) 表示 \(i\) 的邻居节点。 \(c_{ji} = \sqrt{|\mathcal{N}(j)|}\sqrt{|\mathcal{N}(i)|}\) 。

\[h_i^{(l+1)} = \sigma(b^{(l)} + \sum_{j\in\mathcal{N}(i)}\frac{e_{ji}}{c_{ji}}h_j^{(l)}W^{(l)})\]

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。
activation (Cell, 可选) - 激活函数。默认值：None。
dropout (float, 可选) - dropout rate，大于等于0，小于1。例如，dropout=0.1，抛弃10%的输入单元。默认值：0.5。

输入：

x (Tensor) - 输入节点功能。Shape为 \((N, D_{in})\) 其中 \(N\) 是节点数， \(D_{in}\) 应等于参数中的 in_feat_size 。
in_deg (Tensor) - 节点的入度。Shape为 \((N, )\) 其中 \(N\) 是节点数。
out_deg (Tensor) - 节点的出度。Shape为 \((N, )\) 。其中 \(N\) 是节点数。
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_feat_size 或 out_size 不是int。
TypeError - 如果 dropout 不是float。
TypeError - 如果 activation 不是mindspore.nn.Cell。
ValueError - 如果 dropout 不在(0.0, 1.0]范围。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import GCNConv
>>> 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)
>>> in_degree = ms.Tensor([3, 2, 1, 1], ms.int32)
>>> out_degree = ms.Tensor([1, 2, 1, 2], ms.int32)
>>> gcnconv = GCNConv(in_feat_size=4, out_size=2, activation=None, dropout=1.0)
>>> res = gcnconv(feat, in_degree, out_degree, *graph_field.get_graph())
>>> print(res.shape)
(4, 2)