图神经网络 Task 2

最新推荐文章于 2023-12-14 12:40:06 发布

hanhanyc

最新推荐文章于 2023-12-14 12:40:06 发布

阅读量927

点赞数 4

本文链接：https://blog.csdn.net/chiyuhan89/article/details/118015424

版权

消息传递图神经网络

图计算任务的关键： 为节点生成节点特征。

本节任务：

1、基于神经网络的生成节点表征的范式–消息传递范式。是一种聚合邻接节点信息来更新中心节点信息的范式。包含三个步骤：

邻接节点信息交换
邻接节点信息聚合导中心节点
据合信息变换

2、基于消息传递范式构建图神经网络

一、消息传递范式介绍

用 $\mathbf{x}^{(k-1)}i\in\mathbb{R}^F$ 表示(k-1)层中节点i的节点特征， $\mathbf{e}{j,i} \in \mathbb{R}^D$ 表示从节点j到节点i的边的特征，消息传递图神经网络可以描述为

$\mathbf{x}_i^{(k)} = \gamma^{(k)} \left( \mathbf{x}i^{(k-1)}, \square{j \in \mathcal{N}(i)} , \phi^{(k)}\left(\mathbf{x}_i^{(k-1)}, \mathbf{x}j^{(k-1)},\mathbf{e}{j,i}\right) \right)$ ，

其中 $\square$ 表示可微分的、具有排列不变性（函数输出结果与输入参数的排列无关）的函数。具有排列不变性的函数有，和函数、均值函数和最大值函数。 $\gamma$ 和 $\phi$ 表示可微分的函数，如MLPs（多层感知器）。

参考链接：https://pytorch-geometric.readthedocs.io/en/latest/notes/create_gnn.html#creating-message-passing-networks

节点嵌入（Node Embedding）指 1）生成节点表征的操作；2）节点表征。在本次学习中，特指神经网络生成节点表征的操作。

基于消息传递范式的生成节点表征的过程：

在图的最右侧，B节点的邻接节点（A,C）的信息传递给了B，经过信息变换得到了B的嵌入，C、D节点同。
在图的中右侧，A节点的邻接节点（B,C,D）的之前得到的节点嵌入传递给了节点A；在图的中左侧，聚合得到的信息经过信息变换得到了A节点新的嵌入。
重复多次，我们可以得到每一个节点的经过多次信息变换的嵌入。这样的经过多次信息聚合与变换的节点嵌入就可以作为节点的表征，可以用于节点的分类。

二、Pytorch Geometric中的MessagePassing基类

MessagePassing 基类实现了消息传播的自动处理，继承该类我们可以方便的构造消息传递图神经网络。我们只需要定义：

函数 $\phi$ : message()函数
函数 $\gamma$ : update()函数
消息聚合方案：eg：aggr=“add”、aggr="mean"或aggr=“max”

MessagePassing(aggr=“add”, flow=“source_to_target”, node_dim=-2)

aggr：定义要使用的聚合方案（“add”、"mean "或 “max”）；
flow：定义消息传递的流向（"source_to_target "或 “target_to_source”）；
node_dim：定义沿着哪个轴线传播。

MessagePassing.propagate(edge_index, size=None, **kwargs)

开始传播消息的起始调用。它以edge_index（边的端点的索引）和flow（消息的流向）以及一些额外的数据为参数。
请注意，propagate()不仅限于在形状为[N, N]的对称邻接矩阵中交换消息，还可以通过传递size=(N, M)作为额外参数。例如，在二部图的形状为[N, M]的一般稀疏分配矩阵中交换消息。
如果设置size=None，则假定邻接矩阵是对称的。
对于有两个独立的节点集合和索引集合的二部图，并且每个集合都持有自己的信息，我们可以传递一个元组参数，即x=(x_N, x_M)，来标记信息的区分。

MessagePassing.message(…)：

首先确定要给节点 $i$ 传递消息的边的集合，如果flow=“source_to_target”，则是 $(j, i) \in E$ 的边的集合。
如果flow=“target_to_source”，则是 $(i, j) \in E$ 的边的集合。
接着为各条边创建要传递给节点 $i$ 的消息，即实现 $ϕ$ 函数。
MessagePassing.message(…)函数接受最初传递给MessagePassing.propagate(edge_index, size=None, **kwargs)函数的所有参数。
此外，传递给propagate()的张量可以被映射到各自的节点 $i$ 和 $j$ 上，只需在变量名后面加上 $_i$ 或 $_j$ 。我们把i称为消息传递的目标中心节点，把 $j$ 称为邻接节点。

MessagePassing.aggregate(…):

将从源节点传递过来的消息聚合在目标节点上，一般可选的聚合方式有sum, mean和max

MessagePassing.message_and_aggregate(…)：

在一些场景里，邻接节点信息变换和邻接节点信息聚合这两项操作可以融合在一起，那么我们可以在此函数里定义这两项操作，从而让程序运行更加高效。

MessagePassing.update(aggr_out, …):

为每个节点 $i \in V$ 更新节点表征，即实现γ函数。该函数以聚合函数的输出为第一个参数，并接收所有传递给propagate()函数的参数

三、继承MessagePassing类的GCNConv

GCNConv的数学定义为 $\mathbf{x}i^{(k)} = \sum{j \in \mathcal{N}(i) \cup { i }} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{\deg(j)}} \cdot \left( \mathbf{\Theta} \cdot \mathbf{x}_j^{(k-1)} \right)$ 其中，相邻节点的特征首先通过权重矩阵 $\mathbf{\Theta}$ 进行转换，然后按端点的度进行归一化处理，最后进行加总。这个公式可以分为以下几个步骤：

向邻接矩阵添加自环边。（这一步就是把邻接矩阵的对角线全部变成1，因为没有自环边也就是邻接矩阵对角线为0的图没有考虑到节点自身特征消息传播只聚合邻居）
线性转换节点特征矩阵。
计算归一化系数。
归一化 $j$ 中的节点特征。
将相邻节点特征相加（"求和 "聚合）。

补充几个概念：
1）自环边和平行边
自环边（self-loop）：一个顶点到这个顶点自身的边
平行边（parallel-edges）：两个顶点之间存在多条边相连接。
在这里插入图片描述
2）张量
一个量, 在不同的参考系下按照某种特定的法则进行变换, 就是张量.

步骤1-3通常是在消息传递发生之前计算的。步骤4-5可以使用MessagePassing基类轻松处理。该层的全部实现如下所示:

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', flow='source_to_target')
        # "Add" aggregation (Step 5).
        # flow='source_to_target' 表示消息从源节点传播到目标节点
        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: Compute normalization.
        row, col = edge_index
        deg = degree(col, x.size(0), dtype=x.dtype)
        deg_inv_sqrt = deg.pow(-0.5)
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        # Step 4-5: Start propagating messages.
        return self.propagate(edge_index, x=x, norm=norm)
    
    def message(self, x_j, norm):
        # x_j has shape [E, out_channels]
        # Step 4: Normalize node features.
        return norm.view(-1, 1) * x_j

GCNConv继承了MessagePassing并以"求和"作为领域节点信息聚合方式。该层的所有逻辑都发生在其forward()方法中。

首先使用torch_geometric.utils.add_self_loops()函数向我们的边索引添加自循环边（步骤1）
通过调用torch.nn.Linear实例对节点特征进行线性变换（步骤2）
归一化系数是由每个节点的节点度得出的，它被转换为每个边的节点度
结果被保存在形状[num_edges,]的张量norm中（步骤3）
在message()函数中，我们需要通过norm对相邻节点特征x_j进行归一化处理。这里，x_j包含每条边的源节点特征，即每个中心节点的邻接。

这就是创建一个简单的x传递层的全部内容。我们可以把这个层作为深度架构的构建块。我们可以很方便地初始化和调用它：

conv = GCNConv(16, 32)
x = conv(x, edge_index)

四、propagate函数

def propagate(self, edge_index: Adj, size: Size = None, **kwargs):
    r"""开始消息传播的初始调用。
    Args:
        edge_index (Tensor or SparseTensor): 定义了消息传播流。
        	当flow="source_to_target"时，节点`edge_index[0]`的信息将被发送到节点`edge_index[1]`，
        	反之当flow="target_to_source"时，节点`edge_index[1]`的信息将被发送到节点`edge_index[0]`
        kwargs: 图其他属性或额外的数据。
    """

edge_index是propagate函数必须的参数。在我们的message函数中希望接受到哪些数据（或图的属性或额外的数据），就要在propagate函数的调用中传递哪些参数。

五、覆写message函数

在第三部分例子中，我们覆写的message函数接收两个参数x_j和norm，而propagate函数被传递三个参数edge_index, x=x, norm=norm。由于x是Data类的属性，且message函数接收x_j参数而不是x参数，所以在propagate函数被调用，message函数被执行之前，一项额外的操作被执行，该项操作根据edge_index参数从x中分离出x_j。事实上，在message函数里，当参数是Data类的属性时，我们可以在参数名后面拼接_i或_j来指定要接收源节点的属性或是目标节点的属性。类似的，如果我们希望在message函数中额外再接受源节点的度，那么我们做如下的修改（假设节点的度为deg，它是Data对象的属性）：

class GCNConv(MessagePassing):
    def forward(self, x, edge_index):
        # ....
        return self.propagate(edge_index, x=x, norm=norm, d=d)
    def message(self, x_j, norm, d_i):
        # x_j has shape [E, out_channels]
        return norm.view(-1, 1) * x_j * d_i # 这里不管正确性

六、覆写aggregate函数

我们在前面的例子中增加如下的aggregate函数，通过观察运行结果我们发现，我们覆写的aggregate函数被调用，同时在super(GCNConv, self).init(aggr=‘add’)中传递给aggr参数的值被存储到了self.aggr属性中。

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add', flow='source_to_target')
        
    def forward(self, x, edge_index):
        # ....
        return self.propagate(edge_index, x=x, norm=norm, d=d)

    def aggregate(self, inputs, index, ptr, dim_size):
        print(self.aggr)
        print("`aggregate` is called")
        return super().aggregate(inputs, index, ptr=ptr, dim_size=dim_size)

七、覆写message_and_aggregate函数

在一些例子中，消息传递与消息聚合可以融合在一起，这种情况我们通过覆写message_and_aggregate函数来实现：

from torch_sparse import SparseTensor

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add', flow='source_to_target')
        
    def forward(self, x, edge_index):
        # ....
        adjmat = SparseTensor(row=edge_index[0], col=edge_index[1], value=torch.ones(edge_index.shape[1]))
        # 此处传的不再是edge_idex，而是SparseTensor类型的Adjancency Matrix
        return self.propagate(adjmat, x=x, norm=norm, d=d)
    
    def message(self, x_j, norm, d_i):
        # x_j has shape [E, out_channels]
        return norm.view(-1, 1) * x_j * d_i # 这里不管正确性
    
    def aggregate(self, inputs, index, ptr, dim_size):
        print(self.aggr)
        print("`aggregate` is called")
        return super().aggregate(inputs, index, ptr=ptr, dim_size=dim_size)
    
    def message_and_aggregate(self, adj_t, x, norm):
        print('`message_and_aggregate` is called')

虽然我们同时覆写了message函数和aggregate函数，然而只有message_and_aggregate函数被执行。

八、覆写update函数

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add', flow='source_to_target')

    def update(self, inputs: Tensor) -> Tensor:
        return inputs

update函数接收聚合的输出作为第一个参数，并接收传递给propagate的任何参数。

总结：

消息传递范式遵循**“消息传播->消息聚合->消息更新”**这一过程，实现将邻接节点的信息聚合到中心节点上。在PyG中，MessagePassing是所有基于消息传递范式的图神经网络的基类。MessagePassing类大大方便了我们图神经网络的构建，但由于其高度封装性，它也向我们隐藏了很多的细节。
这节看下来有点懵懵的，很多地方不知道到底在做什么，我觉得需要带数据，带范例的走一遍程序会理解的更好。

作业前几个知识点：

1） PyTorch之Squeeze()和Unsqueeze()

unsqueeze()：用来增加维度。在PyTorch中维度是从0开始的。

import torch

a = torch.arange(0, 9)
print(a)

## tensor([0, 1, 2, 3, 4, 5, 6, 7, 8])

# 利用view()改变tensor的形状。
# 值得注意的是view不会修改自身的数据，
# 返回的新tensor与源tensor共享内存；同时必须保证前后元素总数一致。

a = a.view(3, 3)
print(f"a:{a} \n shape:{a.shape}")

### a:tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]]) 
 shape:torch.Size([3, 3])

在第一个维度(即维度序号为0)前增加一个维度。

a = a.unsqueeze(0)
print(f"a:{a}\nshape:{a.shape}")

### a:tensor([[[0, 1, 2],
         [3, 4, 5],
         [6, 7, 8]]])
shape:torch.Size([1, 3, 3])

squeeze()：该函数用来减少某个维度。

print(f"1.   a:{a}\nshape:{a.shape}")
a = a.unsqueeze(0)
a = a.unsqueeze(2)
print(f"2.   a:{a}\nshape:{a.shape}")
a = a.squeeze(2)
print(f"3.   a:{a}\nshape:{a.shape}")

### 1.   a:tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])
shape:torch.Size([3, 3])
2.   a:tensor([[[[0, 1, 2]],

         [[3, 4, 5]],

         [[6, 7, 8]]]])
shape:torch.Size([1, 3, 1, 3])
3.   a:tensor([[[0, 1, 2],
         [3, 4, 5],
         [6, 7, 8]]])
shape:torch.Size([1, 3, 3])

作业：

1.请总结MessagePassing类的运行流程以及继承MessagePassing类的规范。

运行流程：先执行forward函数完成1）向邻接矩阵添加自环边 2）线性转换节点特征矩阵 3）计算归一化系数这三步，然后进入propagate函数进行消息传递，propagate在执行的过程中会调用message和update。先调用message函数，对相邻节点特征x_j进行归一化处理，接着调用aggregate函数，对消息进行聚合，最后调用update函数进行消息更新。如果有 message_and_aggregate函数，则不会执行message和aggregate函数，而是直接执行message_and_aggregate函数。

继承规范：要继承这个类，需要复写三个函数：

2.请继承MessagePassing类来自定义以下的图神经网络类，并进行测试：
第一个类，覆写message函数，要求该函数接收消息传递源节点属性x、目标节点度d。
第二个类，在第一个类的基础上，再覆写aggregate函数，要求不能调用super类的aggregate函数，并且不能直接复制super类的aggregate函数内容。
第三个类，在第二个类的基础上，再覆写update函数，要求对节点信息做一层线性变换。
第四个类，在第三个类的基础上，再覆写message_and_aggregate函数，要求在这一个函数中实现前面message函数和aggregate函数的功能。

propagate(edge_index, size=None)
message()  #消息传递分两种方式，默认的是source_to_target
update()

class GCNConv(MessagePassing):
    
    def __init__(self, in_channels, out_channels):
        super().__init__(aggr='add', flow='source_to_target')
        self.lin = torch.nn.Linear(in_channels, out_channels)
        self.lin1 = torch.nn.Linear(out_channels, in_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)
        print("x*******")
        print(x.dim())

        # Step 3: Compute normalization.
        row, col = edge_index
        print("row:" )
        print(row)
        print("col:" )
        print(col)
        deg = degree(col, x.size(0), dtype=x.dtype)
        print("deg:" )
        print(deg.dim())
        deg_inv_sqrt = deg.pow(-0.5)
        print("deg_inv_sqrt:" )
        print(deg_inv_sqrt.dim())
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        # Step 4-5: Start propagating messages.
        print("begin propagate")
        return self.propagate(edge_index, x=x, norm=norm, d=deg.unsqueeze(1))
    
    
    # 接收消息传递源节点属性x、目标节点度d
    def message(self, x_i, norm, d_j):
     
        # d 为节点的度 d_i 源节点的度，d_j 目标节点的度
        # x_i 源节点属性，x_j目标节点属性
        print("begin message")
        print(x_i.dim(), norm.dim(), d_j.dim())
        return norm.view(-1, 1) * x_i * d_j
    
    def aggregate(self, inputs, index, ptr, dim_size):

        print("`aggregate` is called")
        print("inputs*****")
        print(inputs)
        print("index*****")
        print(index)
        print("ptr*****")
        print(ptr)
        if ptr is not None:
            for _ in range(self.node_dim + inputs.dim() if self.node_dim < 0 else self.node_dim):
                ptr = ptr.unsqueeze(0)
            return segment_csr(inputs, ptr, reduce=self.aggr)
        else:
            return scatter(inputs, index, dim=self.node_dim, dim_size=dim_size,
                           reduce=self.aggr)
        
    def update(self, inputs):
        print("`update` is called")
        # print("inputs*****")
        print(inputs.size())
        return self.lin1(inputs)

hanhanyc

关注

4
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
图神经网络 Task 2

消息传递图神经网络图计算任务的关键：为节点生成节点特征。本节任务：1、基于神经网络的生成节点表征的范式–消息传递范式。是一种聚合邻接节点信息来更新中心节点信息的范式。包含三个步骤：邻接节点信息交换邻接节点信息聚合导中心节点据合信息变换2、基于消息传递范式构建图神经网络一、消息传递范式介绍用x(k−1)i∈RF\mathbf{x}^{(k-1)}i\in\mathbb{R}^Fx(k−1)i∈RF表示(k-1)层中节点i的节点特征，ej,i∈RD\mathbf{e}{j,i} \in
复制链接

扫一扫