torch_geometric使用指南 (作个人纪录)

建议用最新版本的torch_geometric，不同版本的API变动会比较大。

这个包最关键的一个类是MessagePassing：

• aggr: 信息传递的方式，默认是add。也就是neighbor的信息聚合是加在center node上的(详见GCN原文)。
• flow: 信息传递的方向。这个要和后面的edge_index联合起来理解。默认为source_to_target。

其他不做解释。

MessagePassing的forward参数是：

最重要的是这个edge_index,结合前面的flow参数，edge_index包含了你输入这个图的所有边的信息(start node、end node)。如图(黄色highlight的部分)，输入的edge_index一般情况下是LongTensor,此时形状必须为[2, num_messages]，第一维存放start node idx, 第二维存放end node idx。比方说：

## 假设图里面有三个节点，node index为 0,1,2
### 有向图：0->1, 1->2, 2->0 , 信息只能在有向边上传递(i.e., 只能0传给1, 1不能传给0)
edge_index = [[0,1,2]
			  [1,2,0]]
### 无向图，全连接，信息双向传递
edge_index = [[0,1,2,1,2,0]
			  [1,2,0,0,1,2]]

torch_geometric目前实现了很多近几年的GCN变体 (GAT，RGCN，etc.), 都是继承自MessagePassing, 只要理解了这个MessagePassing和他的edge_index，这些变体都可以直接调包用就可以了。

目前深度学习里面这种GCN都是空域GCN,所以默认是支持有向图的，可以简单地就把所谓的图神经网络理解为message passing就可以 (频域的话默认只能是无向图，不然理论上GCN无法成立，这一点了解就行，炼丹人不用care)

参考：
torch_geometric: MessagePassing