PyTorch Geometric自定义模型_pytorch-geometric如何自定义aggregator-CSDN博客

本文链接：https://blog.csdn.net/cobracanary/article/details/120579089

本文详细介绍了如何在PyTorch Geometric（PyG）中自定义图神经网络（GNN）模型，包括理解MessagePassing机制、实现propagate(), message()和update()函数，以及通过实例解释了不同GNN层如GAT和GCN的实现细节。通过学习，读者将能够更好地掌握PyG库并创建自己的GNN模型。" 107626836,8765248,SQL Server：sp_MSforeachtable 存储过程详解与用法,"['数据库', 'SQL Server', '存储过程']

摘要由CSDN通过智能技术生成

这块的内容介绍相当的少，官网给出的doc也描述的没有非常清晰，以至于我刚开始学的时候非常云里雾里。后来慢慢明白了之后，才慢慢看懂官网的doc。
首先给出官网的doc：
在这里插入图片描述
这一块我们要注意几个点：方块代表的是聚合邻居信息的操作，比方说sum,mean,max，γ代表的是结合上一跳邻居信息和节点信息的更新操作，φ代表的是接受邻居信息的操作。
了解了这些知识，再看PyG的注解就容易了，我们需要实现的是这几个函数，就可以自定义GNN的一层：
在这里插入图片描述
总结下来就这几点：

MessagePassing定义邻居信息的聚合器，即图2的Aggregation
MessagePassing.propagate()是开始传播信息的函数，下面的message()函数和update()函数中需要的参数都要被包含进这个函数的参数中。
message()函数是定义 $x_j$ 如何传播到节点 $i$ 的函数，即图2的φ函数。比方说，在GAT中， $x_j$ 传播到节点 $i$ 需要乘上注意力，那么就应该在这个函数里定义。值得注意的是，所有在propagate()中定义过的参数都可以在message()中直接使用，而且还可以在参数后面加上_j指定节点。比方说，我们在在propagate()中定义了参数x表示所有节点的features，x大小为[N,features]，那么我们就可以使用x_i，x_j表示节点j的特征，大小是[E,features]，为什么大小是[E,features]呢，我理解这里使用x_j代表着所有边的源节点的特征，x_i代表着所有边的目标节点的特征。
更新节点embedding的函数，对应于图二的γ，和message()函数一样可以直接使用propagate()中的参数，默认参数是aggr_out，这个参数代表着经过上一步的message()之后所有节点获得的邻居节点的表示，大小是[N,in_channels]。