Blog9 图神经网络的模型级解释——关键代码分析1

2021SC@SDUSC

一、实验数据集简介

这个项目的数据集有两个，作者分别用了合成数据集和现实数据集，因为在上篇博客中我们说到，之前没有过模型级对gnn的解释工作，因此无法与其他方法进行比较。

1.合成数据集

• 描述：由节点构成的图。
• 分类标签：图中是否存在环。
• 初始特征：节点度数。

 请注意，此数据集中的所有节点都未标记，我们专注于研究 GNN 捕获图形结构的能力。 

2.现实数据集

• 描述：一些化合物的原子结构，节点代表原子，边代表化学键。
• 分类标签：有无对细菌的致突变作用。
• 初始特征：原子类型。每个节点都根据其原子类型进行标记，并且是七种可能的原子类型：碳、氮、氧、氟、碘、氯、溴。

对于这个数据集，我们研究了 GNNs捕获图形结构和节点标签的能力。

二、实验代码综览

代码请参考博客链接🔗：可解释性研究（二）- XGNN_I still …的博客-CSDN博客

1.数据集 

采用第二个现实数据集。

结点类型包括 Carbon（碳）, Nitrogen（氮）, Oxygen（氧）, Fluorine（氟）,Iodine（碘）, Chlorine（氯）, Bromine（溴） 。 边的类型这里并未用上。

MUTAG中包括188个分子图，总共3371个结点（原子），7442个边（化学键）。数据集目录如下：

• node_labels.txt记录了3371个结点中每个结点的类型（从0-6编号）
• graph_indicator.txt记录每个结点对应的图索引号（图索引号从1-188编号）
• graph_labels.txt记录了188个图每个图对应的类型（label为1或-1）
• A.txt以(start_node_idx,end_node_idx)记录了7442条边，start_node_idx和end_node_idx均在3371范围内
• edge_labels.txt记录7442条边每个边的类型，这里并未用上。
   

 2.代码文件

①Load_dataset.py:加载数据集的文件，共188个图。

②Model.py:GCN分类器的模型代码，即论文中提出的f(.)

③train.py:训练GCN分类器的代码。用到了①和②

④GraphGenerator.py:图生成器generator的类定义

⑤TrainGenerator.py:训练图生成器的代码。调用④

⑥test.py:测试用到了①和②，测试GCN模型的效果。

⑦check.py:转换数据集的标签，生成初始的特征矩阵和邻接矩阵表示。

3.代码分析————Load_dataset.py

def load_split_MUTAG_data(path="datas/MUTAG/", dataset="MUTAG_", split_train=0.7, split_val=0.15):
    """Load MUTAG data """
    print('Loading {} dataset...'.format(dataset))

    # 加载图的标签
    graph_labels = np.genfromtxt("{}{}graph_labels.txt".format(path, dataset),
                           dtype=np.dtype(int))
    graph_labels = encode_onehot(graph_labels)  # (188, 2)
    graph_labels = torch.LongTensor(np.where(graph_labels)[1]) # (188, 1)


    # 图结点的索引号
    graph_idx = np.genfromtxt("{}{}graph_indicator.txt".format(path, dataset),
                              dtype=np.dtype(int))

    graph_idx = np.array(graph_idx, dtype=np.int32)
    idx_map = {j: i for i, j in enumerate(graph_idx)} 
# key, value表示第key个图的起始结点索引号为value
    length = len(idx_map.keys()) # 总共有多少个图
    num_nodes = [idx_map[n] - idx_map[n - 1] if n - 1 > 1 else idx_map[n] for n in range(1, length + 1)] 
# 一个长度188的list，表示每个图有多少个结点
    max_num_nodes = max(num_nodes) # 最大的一个图有多少个结点
    features_list = []
    adj_list = []
    prev = 0

1.加载数据集。图节点和边的信息。

    # 生成邻接矩阵A，该邻接矩阵包括了数据集中所有的边
    adj = sp.coo_matrix((edges_label, (edges_unordered[:, 0] - 1, edges_unordered[:, 1] - 1)))

    # 论文里A^=(D~)^0.5 A~ (D~)^0.5这个公式
    adj = adj + adj.T.multiply(adj.T > adj) - adj.multiply(adj.T > adj)

    node_features = normalize(node_features)
    adj = normalize(adj + sp.eye(adj.shape[0])) # 对应公式A~=A+IN
    adj = adj.todense()

在论文中引用的公式如下：

 GCN 的操作定义为上式 (1)，其中:

• Xi∈Rn×di和Xi+1∈Rn×di+1是第i个图卷积层的输入和输出特征矩阵。
• Aˆ = A + I 用于在邻接矩阵中添加自环.
• D 表明对角节点度矩阵以对Aˆ 进行归一化。
• 矩阵 Wi ∈ Rdi×di+1 是 layer 的可训练矩阵，用于执行线性特征变换.
• f (·) 表示非线性激活函数。 通过堆叠j个图卷积层，可以聚合j-hop邻域信息。

#设置特征矩阵和邻接矩阵
    for n in range(1, length + 1):
        # entry为第n个图的特征矩阵X
        entry = np.zeros((max_num_nodes, max(nodeidx_features) + 1))
        entry[:idx_map[n] - prev] = node_features[prev:idx_map[n]]
        entry = torch.FloatTensor(entry)
        features_list.append(entry.tolist())

        # entry为第n个图的邻接矩阵A
        entry = np.zeros((max_num_nodes, max_num_nodes))
        entry[:idx_map[n] - prev, :idx_map[n] - prev] = adj[prev:idx_map[n], prev:idx_map[n]]
        entry = torch.FloatTensor(entry)
        adj_list.append(entry.tolist())

        # prev为下个图起始结点的索引号
        prev = idx_map[n]

torch.FloatTensor()：将numpy类型转换为张量tensor

 #设置训练集、验证集、测试集数量
    #怎么分？上面设置了split_train=0.7，num_train训练集数量为70%，测试集、验证集数量均为15%
    num_total = max(graph_idx)
    num_train = int(split_train * num_total)
    num_val = int((split_train + split_val) * num_total)

    if (num_train == num_val or num_val == num_total):
        return

    features_list = torch.FloatTensor(features_list)
    adj_list = torch.FloatTensor(adj_list)

    #训练集0-70%，验证集70%-85%，测试集85%-100%
    idx_train = range(num_train)
    idx_val = range(num_train, num_val)
    idx_test = range(num_val, num_total)

    idx_train = torch.LongTensor(idx_train)
    idx_val = torch.LongTensor(idx_val)
    idx_test = torch.LongTensor(idx_test)
    
  
    return adj_list, features_list, graph_labels, idx_map, idx_train, idx_val, idx_test

 返回值依次为：

• adj_list：188个图的邻接矩阵列表 ，维度为（max_node_num×max_node_num）
• features_list：188个图的特征矩阵列表 ，维度为（max_node_num×feature_num）
• graph_labels：188个图的label
• idx_map：每个图的起始结点索引号
• idx_train：训练集索引号
• idx_val： 验证集索引号
• idx_test：测试集索引号

分割数据集为：训练集（0，70%）共占70%，验证集（70%，85%）共占15%，测试集（85%，100%）共占15%。