mindspore_gl.nn.MeanConv

class mindspore_gl.nn.MeanConv(in_feat_size: int, out_feat_size: int, feat_drop=0.4, bias=False, norm=None, activation=None)[源代码]

GraphSAGE层。来自论文 Inductive Representation Learning on Large Graphs。

\[ \begin{align}\begin{aligned}\begin{split}h_{\mathcal{N}(i)}^{(l+1)} = \mathrm{aggregate} \left(\{h_{j}^{l}, \forall j \in \mathcal{N}(i) \}\right) \\\end{split}\\\begin{split}h_{i}^{(l+1)} = \sigma \left(W \cdot \mathrm{concat} (h_{i}^{l}, h_{\mathcal{N}(i)}^{l+1}) \right)\\\end{split}\\h_{i}^{(l+1)} = \mathrm{norm}(h_{i}^{l})\end{aligned}\end{align} \]

如果提供了各个边的权重，则加权图卷积定义为：

\[h_{\mathcal{N}(i)}^{(l+1)} = \mathrm{aggregate} \left(\{e_{ji} h_{j}^{l}, \forall j \in \mathcal{N}(i) \}\right)\]
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。

  • feat_drop (float, 可选) - dropout rate，大于等于0，小于1。例如，feat_drop=0.1，抛弃10%的输入单元。默认值：0.4。

  • bias (bool, 可选) - 是否使用偏置。默认值：False。

  • norm (Cell, 可选) - 归一化函数单元。默认值：None。

  • activation (Cell, 可选) - 激活函数Cell。默认值：None。

输入：

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

  • self_idx (Tensor) - 节点id。Shape为 \((N\_v,)\) 其中 \(N\_v\) 是自节点的数量。

  • g (Graph) - 输入图。

输出：

  • Tensor，输出特征shape为 \((N\_v,D\_out)\) 。 其中 \(N\_v\) 是自节点的数量， \(D\_out\) 可以是任何shape。

异常：

  • TypeError - 如果 in_feat_size 或 out_feat_size 不是int。

  • TypeError - 如果 bias 不是bool。

  • TypeError - 如果 norm 不是mindspore.nn.Cell。

  • ValueError - 如果 dropout 不在范围[0.0, 1.0)内。

  • ValueError - 如果 activation 不是tanh或relu。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore_gl.nn import MeanConv
>>> 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)
>>> gmmconv = MeanConv(in_feat_size=4, out_feat_size=2, activation='relu')
>>> self_idx = ms.Tensor([0, 1], ms.int32)
>>> res = gmmconv(feat, self_idx, *graph_field.get_graph())
>>> print(res.shape)
(2, 2)