GNN图网络 之 生成模型（graph generative networks)---GRAPH-TO-GRAPH(JTNN-junction tree)

最近开始看图网络相关的论文。（日常流水账记录）

深度学习火了这么多年，感觉已经是一片红海。但是从深度学习这一成功例子中衍生出来的GNN网络目前为止还算是一篇蓝海。仅仅是从CNN中照搬过去的pooling，attention，rnn，VAE，GAN等等概念，都已经发了很多篇顶会，而且日期基本上围绕在18年左右。因此这一领域确实大有可为。

根据老师的安排，我开始看GNN里面跟生成模型相关的论文，去谷歌搜索了一番，下载了不少论文，日期多在18-19年间。

目前的打算是先专注于molecule也就是化学生物方向，很多关于化学分子式生成的论文。暂时选定了一篇论文进行学习和研究，ICLR 2019的论文：LEARNING MULTIMODAL GRAPH-TO-GRAPH TRANSLATION FOR MOLECULAR OPTIMIZATION。源码在github上面也有：https://github.com/wengong-jin/iclr19-graph2graph。

下载完后开始搭建程序环境。我本身有点不太习惯linux系统，就在win10上通过anaconda进行安装，基于python2.7安装pytorch0.4.1，但是我发现无法找到对应版本，经过n次搜索，终于知道，原来win系统对于pytorch的支持只基于python3.5和3.6，并不支持2.7.很显然，论文作者应该是在linux或者mac上面运行的。

但是python2和python3的代码差距也没那么大，我综合考虑安装虚拟机或换系统的诸多情况，跟转换python代码之间，我选择自己把作者的代码转写成pyth