【学习小记】消息传递图神经网络

睡了一下午，晚上就完全不想学习了。。。卡也不想打考试也不想复习了。。。。

以及感觉边看边记笔记这样比较好。

消息传递范式

有了这个图算是比较明朗了！选定A为target node之后，先更新其他邻接节点，最后更新A。

消息传递图神经网络的数学表述：

其中那个方框框表示可微分，具有排列不变性（函数输出结果与输入参数的排列无关）$\gamma$和$\varphi$表示可微分的函数。如MLPs.

note:此次组对学习约定，节点属性data.x是节点的第0层节点表征，第h层节点表征经过一次节点间的信息传递产生第h+1层的节点表征。不过节点属性也不单指data.x

MessagePassing基类初步分析

这个基类封装消息传递的运行流程（看名字也看出来了），构造一个最简单的消息传递图神经网络类，只需要定义message（）方法（$\varphi$）,update()($\gamma$)以及使用的消息聚合方案（aggr=“add”“mean”“max”），一下是具体的类讲解，就截个图=-=：

MessagePassing子类示例——GCNConv

首先看一下GCNConv的数学定义

deg(i)是度的意思。。。然后求和符号那里，表示j属于i的邻接节点和i自身。不得不说书读百遍其义自见，第一遍时候一头懵，现在已经看明白公式了。

所以这个公式可分为以下步骤：

然后代码实现如下图所示：


另补充torch.nn.linear():可直接生成用于线性运算的参数（weights,bias），其中weights的维数是[out_channel, in_channel]，bias的参数是out_channel，前者转置后才能与输入线性运算的参数相乘。

简单总结一下MessagePassing基类的运行流程，一开始以为自己懂了结果考虑这个问题时候又懵逼了。。。。不过还好有propagate函数的源码，运行流程可以说就是这个函数的运行流程啦：

Note:fuse就是检查有无message_and_aggregate()的
1、首先检查有无message_and_aggregate()和数据格式正确与否，注意，message_and_aggregate()是优于message()和aggregate()的。
2、进行message_and_aggregate，然后为update创造参数
3、update,即进行最后的聚合（应该也可以其他）运算。

=-=又有问题了，毕竟没跑代码，然鹅必须下班了。。下次再拖到最后不是人，淦