layers_reference

# PyTorch Geometric 神经网络层参考 本文档提供了 `torch_geometric.nn` 中所有可用神经网络层的综合参考。 ## 层能力标志 选择层时，请考虑以下能力标志： - **SparseTensor**: 支持 `torch_sparse.SparseTensor` 格式以进行高效稀疏操作 - **edge_weight**: 处理一维边权重数据 - **edge_attr**: 处理多维边特征信息 - **Bipartite**: 适用于二部图（源/目标节点维度不同） - **Static**: 在具有批处理节点特征的静态图上运行 - **Lazy**: 允许在不指定输入通道维度的情况下进行初始化 ## 卷积层 ### 标准图卷积 **GCNConv** - 图卷积网络层 - 实现具有对称归一化的谱图卷积 - 支持：SparseTensor, edge_weight, Bipartite, Lazy - 用途：引文网络、社交网络、通用图学习 - 示例：`GCNConv(in_channels, out_channels, improved=False, cached=True)` **SAGEConv** - GraphSAGE 层 - 通过邻居采样和聚合进行归纳学习 - 支持：SparseTensor, Bipartite, Lazy - 用途：大规模图、归纳学习、异构特征 - 示例：`SAGEConv(in_channels, out_channels, aggr='mean')` **GATConv** - 图注意力网络层 - 用于自适应邻居加权的多头注意力机制 - 支持：SparseTensor, edge_attr, Bipartite, Static, Lazy - 用途：需要可变邻居重要性的任务 - 示例：`GATConv(in_channels, out_channels, heads=8, dropout=0.6)` **GraphConv** - 简单图卷积 (Morris et al.) - 带有可选边权重的基本消息传递 - 支持：SparseTensor, edge_weight, Bipartite, Lazy - 用途：基准模型、简单图结构 - 示例：`GraphConv(in_channels, out_channels, aggr='add')` **GINConv** - 图同构网络层 - 用于图同构测试的最强 GNN - 支持：Bipartite - 用途：图分类、分子属性预测 - 示例：`GINConv(nn.Sequential(nn.Linear(in_channels, out_channels), nn.ReLU()))` **TransformerConv** - 图 Transformer 层 - 将图结构与 Transformer 注意力相结合 - 支持：SparseTensor, Bipartite, Lazy - 用途：长距离依赖、复杂图 - 示例：`TransformerConv(in_channels, out_channels, heads=8, beta=True)` **ChebConv** - 切比雪夫谱卷积