torch_geometric学习一，MessagePassing

安装版本

# for windows10
pip install torch==1.2.0		# 10.0 cuda 单卡GTX1660
pip install torch_geometric==1.4.1
pip install torch_sparse==0.4.4
pip install torch_scatter==1.4.0
pip install torch_cluster==1.4.5

torch_geometric

debug模式

with torch_geometric.debug():
	out = model(data.x,data.edge_index)

torch_geometric.nn

1.消息传递MessagePassing

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

卷积算子推广到不规则域，通常可以表示为一个邻域聚合，或消息传递的过程。

• ${\mathbf{x}}_i^{(k-1)}$表示节点$i$在第$k-1$层的点特征；
• ${\mathbf{e}}_{j,i}$表示点$j$到点$i$的边特征，可选；
• $\square$表示一个可微、置换不变性函数，例如sum、mean、max；
• $\gamma$和$\varphi$表示可微函数，例如MLPs

PyG提供了messageppassing基类，它通过自动处理消息传播来帮助创建这类消息传递图神经网络。用户只需要定义函数$\varphi$，即message()，$\gamma$即update()，以及要使用的消息传递的方案，即aggr=“add”， aggr="mean"或aggr=“max”。

class MessagePassing (aggr='add',flow='source_to_target', node_dim=0)

• aggr = (“add”、“mean”或“max”)，聚合模式；

• flow = (“source_to_target”或“target_to_source”)，消息传递的流方向；

• node_dim，指示沿着哪个轴传播。

相关函数：

• MessagePassing.propatage(edge_index, size = None)
• MessagePassing.message(...)
• MessagePassing.update(aggr_out,** **...)
• MessagePassing.update(aggr_out,** **...)

将应用到GCN层上，GCN层数学定义如下：
x i ( k ) = ∑ j ∈ N ( i ) ∪ { i } 1 deg ⁡ ( i ) ⋅ deg ⁡ ( j ) ⋅ ( Θ ⋅ x j ( k − 1 ) ) , \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), xi(k)​=j∈N(i)∪{i}∑​deg(i) ​⋅deg(j) ​1​⋅(Θ⋅xj(k−1)​),
其中，首先对相邻节点特征，通过权值矩阵$\theta$进行变换；再通过其度，进行归一化；最后进行求和。该公式可分为以下步骤：

1. Add self-loops to the adjacency matrix。
2. 对节点特征矩阵进行线性变换。
3. 计算归一化系数。
4. 节点特征归一化。
5. 求和所有相邻节点特征。

前三步在消息传递之前进行计算，后两步骤通过MessagePassing类实现

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().__init__(aggr='add')  # "Add" aggregation (Step 5).
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):
        # x的shape为 [N, in_channels]
        # edge_index的shape为 [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: 节点特征矩阵进行线性变换
        x = self.lin(x)

        # Step 3: 归一化操作
        row, col = edge_index
        deg = degree(col, x.size(0), dtype=x.dtype)
        deg_inv_sqrt = deg.pow(-0.5)
        deg_inv_sqrt[deg_inv_sqrt == float('inf')] = 0
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        # Step 4-5: 开始传播消息
        return self.propagate(edge_index, x=x, norm=norm)

    def message(self, x_j, norm):
        # x_j的shape为 [E, out_channels]

        # Step 4: 节点特征归一化
        return norm.view(-1, 1) * x_j

2.图卷积GCN

论文来源： Semi-supervised Classification with Graph Convolutional Networks