图神经网络 torch_geometric 库的 MessagePassing 运行机制学习

torch_geometric.nn.conv. MessagePassing( )
继承这个类，可以自定义节点信息传播机制

例子

import torch
from torch_geometric.utils import add_self_loops
from torch_geometric.nn.conv import MessagePassing

class GCNConv(MessagePassing):
    def __init__(self):
    	#选择相加的方式进行邻居节点信息聚合
        super().__init__(aggr='add')

    def forward(self, x, edge_index):
    	#给图添加自环
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))
        print(edge_index)
        out = self.propagate(edge_index, x=x)
        print(out)

    def message(self, x_j):
        print(x_j)
        return x_j




edge_index = torch.tensor([[0, 1],
                           [1, 0],
                           [1, 2],
                           [2, 1]], dtype=torch.long)
x = torch.tensor([[-1], [6], [1]], dtype=torch.float)
edge_index = edge_index.permute(1, 0)
model = GCNConv( )
out = model(x, edge_index)

运行截图

MessagePassing的运行机制就是用行坐标[0，1，1，2，0，1，2]计算每个节点要汇聚的feature，然后用列坐标[1，0，2，1，0，1，2]进行 add 聚合信息，x_j其实就是根据行坐标得来的，行坐标里面的每一个元素其实就是一个节点标号，它告诉我们当前聚合信息时，每一个节点的信息应该是怎么样，在这里我没有转换节点feature，直接就是初始feature进行聚合，然后列坐标的元素进行聚合，如：列坐标中0节点与行节点对应的元素为1，0，所以在x_j对应位置找到元素6，-1然后相加得5，同理，1节点为-1+1+6 =6，2节点为6+1=7；
需要注意的是def message(self, x_j)中x_j的参数名字不能随便改变，不然会出错；其实x_j可以变为x_i，x_i代表以列坐标[0，1，1，2，0，1，2]计算每个节点要汇聚的feature，但仍以列坐标[0，1，1，2，0，1，2]汇聚信息；最后得到的结果如下：

也可以def message(self, x_j，x_i) ，其中x_j，x_i同时返回，可以根据具体应用进行灵活操作；