写一篇GGNN 代码解析（待更新）

编写不易如果觉得不错，麻烦关注一下~（坚持不设置VIP可见）

论文名称：GATED GRAPH SEQUENCE NEURAL NETWORKS（ICLR2016）

参考链接：https://www.jianshu.com/p/40362662014a（连环链接，手动递归）

https://blog.csdn.net/maqunfi/article/details/99703993

代码链接：gihub 有很多，我就选择个标题很好看的“https://github.com/entslscheia/GGNN_Reasoning”

 

想写一篇GGNN 代码解析，主要想知道这个网络的优越性有多强。。。。没别的意思

这篇文章是将GRU放入GNN中的一个经典案例。而且利用了多个矩阵代表不同的边类型，比如文中所说的B,C，利用B' C'又分别代表了边的方向。当然(c)图中的阴影部分都是0元素，就是为了乘积抽取只与当前点v 的邻居相关的隐层h信息。这里面的训练参数，【W，U 矩阵分别针对r、z、h操作的共6个训练参数】是一篇关于处理多关系的图模型。当然我这里只是想试验一下它的能力。主要参考github 的各路大神实现。

当然贴一个经典画面：好的~公式h就是gru 隐层，a是对v节点的进一步加工。r是更新门，z是遗忘门，h ~  就是更新后的一种向量，但是最终这个信息能不能决定最终的状态，还是需要 z 来把控。当然我这里还是欣赏多关系的设计。当然这里面有一个设计环节就是图中节点的初始向量，根据上面的博客中，该论文引入了结点标注的概念，个人理解是一种在任务中充当角色的标注，类似特征过程是人工自定义的。

当然我看到的一篇文章中就是自定义这块  ICCV 2019: From Strings to Things: Knowledge-enabled VQA Model that can Read and Reason（当然也可以看我的浅显知乎https://zhuanlan.zhihu.com/p/357696251）。之后利用padding用0补齐向量长度。那么就切换一下这篇文章的设计感

图中公式nu是图节点的特征向量，而后面1，0，cu 都可以看作是作者自定义的标注。根据节点在图中传播时的角色自定义的。