组队学习-图神经网络 Taks 02_原始邻接矩阵添加自循环-CSDN博客

本文链接：https://blog.csdn.net/shellup/article/details/118059766

1、MessagePassing基类的运行流程

MessagePassing类封装了“消息传递”的运行流程，可以用于构造消息传递图神经网络。主要参数定义如下：

MessagePassing(aggr="add", flow="source_to_target", node_dim=-2)（对象初始化方法）：

aggr：定义要使用的聚合方案（"add"、"mean "或 "max"）；
flow：定义消息传递的流向（"source_to_target "或 "target_to_source"）；
node_dim：定义沿着哪个维度传播，默认值为-2，

对于简单的图卷积神经网络，数学定义为：

$\mathbf{x}_i^{(k)} = \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{\deg(j)}} \cdot \left( \mathbf{\Theta} \cdot \mathbf{x}_j^{(k-1)} \right),$

构造过程可以分为5步：

（1）向邻接矩阵添加自循环边。

（2）对节点表征做线性变换。

（3）计算归一化系统。

（4）归一化邻接节点的表征。

（5）聚合邻接节点表征。

from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree
import torch


class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation (Step 5).
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):

        # Step 1 向邻接矩阵添加自循环边
      denoted by fill_value.
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: 对节点表征做线性变换.
        x = self.lin(x)

        # Step 3: 计算归一化系统
        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 5: 聚合邻接节点表征.
        return self.propagate(edge_index, x=x, norm=norm)

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

        # Step 4: 归一化邻接节点的表征.
        return norm.view(-1, 1) * x_j