大纲
本文为GNN教程的第七篇文章【使用DGL框架实现GCN算法】。图神经网络的计算模式大致相似,节点的Embedding需要汇聚其邻接节点Embedding以更新,从线性代数的角度来看,这就是邻接矩阵和特征矩阵相乘。然而邻接矩阵通常都会很大,因此另一种计算方法是将邻居的Embedding传递到当前节点上,再进行更新。很多图并行框架都采用详细传递的机制进行运算(比如Google的Pregel)。而图神经网络框架DGL也采用了这样的思路。
从本篇博文开始,我们使用DGL做一个系统的介绍,我们主要关注他的设计,尤其是应对大规模图计算的设计。这篇文章将会介绍DGL的核心概念 — 消息传递机制,并且使用DGL框架实现GCN算法。
DGL 核心 — 消息传递
DGL 的核心为消息传递机制(message passing),主要分为消息函数 (message function)和汇聚函数(reduce function)。如下图所示:
-
消息函数(message function):传递消息的目的是将节点计算时需要的信息传递给它,因此对每条边来说,每个源节点将会将自身的Embedding(e.src.data)和边的Embedding(edge.data)传递到目的节点;对于每个目的节点来说,它可能会受到多个源节点传过来的消息,它会将这些消息存储在"邮箱"中。(gcn_msg:就是将边消息和邻居消息h传到中心节点,存到中心节点的邮箱mailbox中,记做m)
-
汇聚函数(reduce function):汇聚函数的目的是根据邻居传过来的消息更新跟新自身节点Embedding,对每个节点来说,它先从邮箱(v.mailbox['m'])中汇聚消息函数所传递过来的消息(message),并清空邮箱(v.mailbox['m'])内消息(gcn_reduce:每个节点从邮箱中汇聚所有传过来的信息m,并清空,记做h);然后该节点结合汇聚后的结果和该节点原Embedding,更新节点Embedding(需要做个线性变换NodeApplyModule,并且在线性变换的基础上加上自身信息来更新节点表示GCN:update_all+apply_nodes)。
下面我们以GCN的算法为例,详细说明消息传递的机制是如何work的。
用消息传递的方式实现GCN
GCN 的线性代数表达
GCN 的逐层传播公式如下所示:
简而言之:每个节点拿到邻居节点信息汇聚到自身 embedding 上在进行一次变换。具体 GCN 内容介绍可参考之前的文章
从消息传递的角度分析
上面的数学描述可以利用消息传递的机制实现为:
具体实现
step 1,引入相关包
import dgl
import torch as th
import torch.nn as nn
import dgl.function as fn
import torch.nn.functional as F
from dgl import DGLGraph
import networkx as nx
step 2,需要定义 GCN 的 message 函数和 reduce 函数
message 函数用于发送节点的Embedding,reduce 函数用来对收到的 Embedding 进行聚合。在这里,每个节点发送Embedding的时候不需要任何处理,所以可以通过内置的copy_scr
实现,out='m'
表示发送到目的节点后目的节点的mailbox用m
来标识这个消息是源节点的Embedding。
目的节点的reduce函数很简单,因为按照GCN的数学定义,邻接矩阵和特征矩阵相乘,以为这更新后的特征矩阵的每一行是原特征矩阵某几行相加的形式,"某几行"是由邻接矩阵选定的,即对应节点的邻居所在的行。因此目的节点reduce只需要通过sum
将接受到的信息相加就可以了。
#需要定义GCN的 message函数和reduce函数
#message 函数用于发送节点的Embedding,reduce 函数用来对收到的 Embedding 进行聚合
#传递节点特征h的message
gcn_msg = fn.copy_src(src='h', out='m') #将节点表示为h作为信息发出
gcn_reduce = fn.sum(msg='m',out='h') #累和函数
'''
#对所有邻居节点特征hu进行平均,并使用它来覆盖原始节点特征
def reduce(nodes): #定义消息类和函数,对收到的消息进行平均
accum = torch.mean(nodes.mailbox['m'],1)
return {'h': accum}
'''
step 3,定义一个应用于节点的 node UDF(user defined function)![](https://i-blog.csdnimg.cn/blog_migrate/fc5f2caeb970a59a89ed201fe517c22c.png)
#定义一个应用于节点的 node UDF(user defined function)
#实际上是定义一个全连接层
#使用ReLU(whv + b) 更新节点特征hv
class NodeApplyModule(nn.Module):#对收到的消息应用线性变换和激活函数,将节点特征 hv 更新为ReLU(whv + b)
def __init__(self,in_feats,out_feats,activation):
super(NodeApplyModule,self).__init__()
self.linear=nn.Linear(in_feats,out_feats)
self.activation=activation #还没有指定是什么激活函数
def forward(self,node):
h = self.linear(node.data['h'])
h = self.activation(h)
return {'h' : h} #返回更新后的节点特征 h(l+1)
step4 ,定义GCN的Embedding更新层
以实现在所有节点上进行消息传递,并利用 NodeAppleModule 对节点的信息进行计算
#定义GCN的Enbedding更新层
#我们把所有的小模块串联起来成为 GCNLayer
#GCN实际上是对所有节点进行 消息传递/聚合/更新
class GCN(nn.Module):
def __init__(self,in_feats,out_feats,activation):
super(GCN,self).__init__()
self.apply_mod = NodeApplyModule(in_feats, out_feats, activation)
def forward(self,g,feature):
g.ndata['h'] = feature#使用h初始化节点特征
g.update_all(gcn_msg,gcn_reduce)#使用update_all接口和自定义的消息传递及累和函数更新节点表示
g.apply_nodes(func=self.apply_mod)# 更新节点特征
return g.ndata.pop('h') #pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值
step 5 定义一个包含两个GCN层的图神经网络分类器
我们通过向分类器输入特征大小为1433的训练样本,以获得该样本所属的类别编号,类别总共包含7类。
#定义一个包含两个GCN层的图神经网络分类器
class Net(nn.Module):
#初始化网络参数
def __init__(self):
super (Net,self).__init__()
self.gcn1 = GCN(1433,16,F.relu) #第一层GCN
self.gcn2 = GCN(16,7,F.relu)
#前向传播
def forward(self,g,features):
x = self.gcn1(g,features)
x = self.gcn2(g,x)
return x
net = Net()
print(net)
step 6 加载 cora 数据集,并进行数据预处理
#使用DGL内置模块加载cora数据集,并进行数据预处理
from dgl.data import citation_graph as citegrh
def load_cora_data():
data = citegrh.load_cora() #加载数据集
features = th.FloatTensor(data.features) #特征向量,张量的形式
labels = th.LongTensor(data.labels)#所属的类别
train_mask = th.BoolTensor(data.train_mask)#训练数据集
test_mask = th.BoolTensor(data.test_mask) #哪些是测试集
g = data.graph #
g.remove_edges_from(nx.selfloop_edges(g)) #删除自循环的边
g = DGLGraph(g) #构造
g.add_edge(g.nodes(), g.nodes()) #第一个是起始点,第二个终点
return g,features,labels,train_mask,test_mask
step7 训练GCN神经网络
#训练GCN神经网络
import time
import numpy as np
g,features,labels,train_mask,test_mask = load_cora_data()
optimizer = th.optim.Adam(net.parameters(),lr=1e-3)
dur = []
for epoch in range(30):
if epoch >=3:
t0 = time.time()
logits = net(g,features)
logp = F.log_softmax(logits,) #用来计算输出和梯度
loss = F.nll_loss(logp[train_mask], labels[train_mask])
optimizer.zero_grad()
loss.backward()
optimizer.step()
if epoch >= 3:
dur.append(time.time() - t0)
print("Epoch {:05d} | Loss {:.4f} | Time(s) {:.4f}".format(
epoch,loss.item(),np.mean(dur)))
补充:增加一个评估函数
#定义评估函数
def evaluate(model,g,features,labels,mask):
model.eval() #会通知所有图层,您处于评估模式
with th.no_grad():
logits = model(g,features)
logits = logits[mask]
labels = labels[mask]
_, indices = th.max(logits,dim=1)
correct = th.sum(indices == labels)
return correct.item() * 1.0 /len(labels)
全部代码
import dgl
import torch as th
import torch.nn as nn
import dgl.function as fn
import torch.nn.functional as F
from dgl import DGLGraph
import torch
import networkx as nx
#需要定义GCN的 message函数和reduce函数
#message 函数用于发送节点的Embedding,reduce 函数用来对收到的 Embedding 进行聚合
#传递节点特征h的message
gcn_msg = fn.copy_src(src='h', out='m') #将节点表示为h作为信息发出
gcn_reduce = fn.sum(msg='m',out='h') #累和函数
'''
#对所有邻居节点特征hu进行平均,并使用它来覆盖原始节点特征
def reduce(nodes): #定义消息类和函数,对收到的消息进行平均
accum = torch.mean(nodes.mailbox['m'],1)
return {'h': accum}
'''
#定义一个应用于节点的 node UDF(user defined function)
#实际上是定义一个全连接层
#使用ReLU(whv + b) 更新节点特征hv
class NodeApplyModule(nn.Module):#对收到的消息应用线性变换和激活函数,将节点特征 hv 更新为ReLU(whv + b)
def __init__(self,in_feats,out_feats,activation):
super(NodeApplyModule,self).__init__()
self.linear=nn.Linear(in_feats,out_feats)
self.activation=activation #还没有指定是什么激活函数
def forward(self,node):
h = self.linear(node.data['h'])
h = self.activation(h)
return {'h' : h} #返回更新后的节点特征 h(l+1)
#定义GCN的Enbedding更新层
#我们把所有的小模块串联起来成为 GCNLayer
#GCN实际上是对所有节点进行 消息传递/聚合/更新
class GCN(nn.Module):
def __init__(self,in_feats,out_feats,activation):
super(GCN,self).__init__()
self.apply_mod = NodeApplyModule(in_feats, out_feats, activation)
def forward(self,g,feature):
g.ndata['h'] = feature#使用h初始化节点特征
g.update_all(gcn_msg,gcn_reduce)#使用update_all接口和自定义的消息传递及累和函数更新节点表示
g.apply_nodes(func=self.apply_mod)# 更新节点特征
return g.ndata.pop('h') #pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值
#定义一个包含两个GCN层的图神经网络分类器
class Net(nn.Module):
#初始化网络参数
def __init__(self):
super (Net,self).__init__()
self.gcn1 = GCN(1433,16,F.relu) #第一层GCN
self.gcn2 = GCN(16,7,F.relu)
#前向传播
def forward(self,g,features):
x = self.gcn1(g,features)
x = self.gcn2(g,x)
return x
net = Net()
print(net)
#使用DGL内置模块加载cora数据集,并进行数据预处理
from dgl.data import citation_graph as citegrh
def load_cora_data():
data = citegrh.load_cora() #加载数据集
features = th.FloatTensor(data.features) #特征向量,张量的形式
labels = th.LongTensor(data.labels)#所属的类别
train_mask = th.BoolTensor(data.train_mask)#训练数据集
test_mask = th.BoolTensor(data.test_mask) #哪些是测试集
g = data.graph #
g.remove_edges_from(nx.selfloop_edges(g)) #删除自循环的边
g = DGLGraph(g) #构造
g.add_edge(g.nodes(), g.nodes()) #第一个是起始点,第二个终点
return g,features,labels,train_mask,test_mask
g,features,labels,train_mask,test_mask = load_cora_data()
import matplotlib.pyplot as plt
nx.draw(g.to_networkx(),node_size=50,with_labels=True)
plt.show()
#定义评估函数
def evaluate(model,g,features,labels,mask):
model.eval() #会通知所有图层,您处于评估模式
with th.no_grad():
logits = model(g,features)
logits = logits[mask]
labels = labels[mask]
_, indices = th.max(logits,dim=1)
correct = th.sum(indices == labels)
return correct.item() * 1.0 /len(labels)
#训练GCN神经网络
import time
import numpy as np
g,features,labels,train_mask,test_mask = load_cora_data()
optimizer = th.optim.Adam(net.parameters(),lr=1e-3)
dur = [] #时间
for epoch in range(30):
if epoch >=3:
t0 = time.time()
logits = net(g,features)
logp = F.log_softmax(logits,) #用来计算输出和梯度
loss = F.nll_loss(logp[train_mask], labels[train_mask])
optimizer.zero_grad()
loss.backward()
optimizer.step()
if epoch >= 3:
dur.append(time.time() - t0)
acc = evaluate(net,g,features,labels,test_mask)
print("Epoch {:05d} | Loss {:.4f} | Test Acc {:.4f}| Time(s) {:.4f}".format(
epoch,loss.item(),acc,np.mean(dur)))
后话
本篇博文介绍了如何利用图神经网络框架DGL编写GCN模型,接下来我们会介绍如何利用DGL实现GraphSAGE中的采样机制,以减少运算规模。