TreeConv

  • class paddle.fluid.dygraph.TreeConv(name_scope, output_size, num_filters=1, max_depth=2, act='tanh', param_attr=None, bias_attr=None, name=None)[源代码]

该接口用于构建 TreeConv 类的一个可调用对象,具体用法参照 代码示例 。其将在神经网络中构建一个基于树结构的卷积(Tree-Based Convolution)运算。基于树的卷积是基于树的卷积神经网络(TBCNN,Tree-Based Convolution Neural Network)的一部分,它用于对树结构进行分类,例如抽象语法树。 Tree-Based Convolution提出了一种称为连续二叉树的数据结构,它将多路(multiway)树视为二叉树。详情请参考: 基于树的卷积论文

  • 参数:
    • name_scope (str) – 类的名称。
    • output_size (int) – 输出特征宽度。
    • num_filters (int, 可选) – 滤波器的数量,默认值为1。
    • max_depth (int, 可选) – 滤波器的最大深度,默认值为2。
    • act (str, 可选) – 应用于输出上的激活函数,如tanh、softmax、sigmoid,relu等,支持列表请参考 激活函数 ,默认值为None。
    • param_attr (ParamAttr, 可选) – 指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr
    • bias_attr (ParamAttr, 可选) – 指定偏置参数属性的对象。默认值为None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr
    • name (str, 可选) – 具体用法请参见 Name ,一般无需设置,默认值为None。

返回:无

代码示例:

  1. import paddle.fluid as fluid
  2. import numpy
  3.  
  4. with fluid.dygraph.guard():
  5. nodes_vector = numpy.random.random((1, 10, 5)).astype('float32')
  6. edge_set = numpy.random.random((1, 9, 2)).astype('int32')
  7. treeConv = fluid.dygraph.nn.TreeConv(
  8. 'TreeConv', output_size=6, num_filters=1, max_depth=2)
  9. ret = treeConv(fluid.dygraph.base.to_variable(nodes_vector), fluid.dygraph.base.to_variable(edge_set))

属性

  • weight

本层的可学习参数,类型为 Parameter

  • bias

本层的可学习偏置,类型为 Parameter