Pytorch Geometric入门

最新推荐文章于 2025-05-19 08:45:00 发布

Weyoung_

最新推荐文章于 2025-05-19 08:45:00 发布

阅读量3.2k

点赞数

分类专栏：图卷积

本文链接：https://blog.csdn.net/Weyoung_/article/details/107512732

版权

图卷积专栏收录该内容

1 篇文章

订阅专栏

https://zhuanlan.zhihu.com/p/113862170这篇讲的很好。

官方文档中GCNConv的详细注释

图卷积类似于CNN的卷积操作，图卷及网络与常规CNN网络的搭建流程类似，区别在于自定义的图卷积层

图卷积层需要自己实现三个函数：forward，message，update

根据上面公式，我们要做三件事：

邻居信息变换： $\phi$
邻居信息聚合： $\square$
自身信息与聚合后邻居信息的变换得到自身的最终信息： $\gamma$

在PyG中，这个流程被对应到self.propagate这个操作中，self.propagate将分别执行上述三件事：

self.message, $\phi$ ，输入为处理信息所需参数， $x_i,x_j$ ，边信息等，需要什么输入什么
self.aggregate, $\square$ ，自动完成，初始化时指定方式即可
self.update, $\gamma$ ，输入为：aggr_out及其他所需参数

以GCNConv为例，对节点实现的操作公式如下：

上面公式与符号一一对应如下：

self.message中对邻居节点作linear变换，然后归一化
self.aggregate以sum方式聚合
self.update对聚合后特征不作处理

代码如下：

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation.
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):
        # x has shape [N, in_channels]
        # edge_index has shape [2, E]

        # Step 1: Add self-loops to the adjacency matrix.
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: Linearly transform node feature matrix.
        x = self.lin(x)

        # Step 3-5: Start propagating messages.
        return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=x)

    def message(self, x_j, edge_index, size):
        # x_j has shape [E, out_channels]

        # Step 3: Normalize node features.
        row, col = edge_index
        deg = degree(row, size[0], dtype=x_j.dtype)
        deg_inv_sqrt = deg.pow(-0.5)
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        return norm.view(-1, 1) * x_j

    def update(self, aggr_out):
        # aggr_out has shape [N, out_channels]

        # Step 5: Return new node embeddings.
        return aggr_out

message详细说明：

linear变换可在messge内也可在forward内做

计算度矩阵：

edge_index的size为(2,边数目），row,col 分别为一条边的两个顶点

degree函数其实是对row或col作统计运算，顶点在edge_index中出现的次数就是该顶点的度