【图神经网络】基本 Graph Net

本文为图神经网络的学习笔记，讲解基本 Graph Net。欢迎在评论区与我交流👏

教程

该教程的目的是通过以下例子对图网络库进行实践：

1. 使用 graph_nets.utils_np 构造图数据结构 graph_nets.graphs.GraphsTuple
2. 使用 graph_nets.utils_tf 在 tensorflow 图中操作图数据结构
3. 在 graph_nets.modules 中将图喂给图网络 tensorflow 模型
4. 使用 graph_nets.blocks 提供的图网络构建块构造自定义的图网络模型

更多关于图网络的信息，见【论文】。

在 Colaboratory runtime 上安装图网络库：

install_graph_nets_library = "No"  #@param ["Yes", "No"]

if install_graph_nets_library.lower() == "yes":
  print("Installing Graph Nets library with:")
  print("  $ pip install graph_nets\n")
  print("Output message from command:\n")
  !pip install graph_nets
else:
  print("Skipping installation of Graph Nets library")

引入包：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from graph_nets import blocks
from graph_nets import graphs
from graph_nets import modules
from graph_nets import utils_np
from graph_nets import utils_tf

import matplotlib.pyplot as plt
import networkx as nx
import numpy as np
import sonnet as snt
import tensorflow as tf

graphs.GraphsTuple 类

图网络库包含了在图结构数据上的模型，因此首先要理解图结构数据是怎样用代码表示的。

定义在 graph_nets/graphs.py 中的 graphs.GraphsTuple 类，表示一批一个或多个图（a batches of one or more graphs）。所有的图网络模型以 GraphsTuple 的实例作为输入，返回 GraphsTuple 实例作为输出。图为有向图（单向边），有属性（允许节点、边和图级别特征）、多图（多边可以连接任意两个节点，允许自环）。

GraphsTuple 的属性有：

• n_node(shape=[num_graphs])：批处理中每个图的节点数
• n_edge(shape=[num_graphs])：批处理中每个图的边数
• globals(shape=[num_graphs] + global_feature_dimensions)：批处理中每个图的全局特征
• nodes(shape=[total_num_nodes] + node_feature_dimensions)：该批图中每个节点的节点特性
• edges(shape=[total_num_edges] + edge_feature_dimensions)：该批图中每个边的边特性
• senders(shape=[total_num_edges])：nodes 中节点序号，表示 edges 中每条有向边的源节点
• receivers(shape=[total_num_edges])：nodes 中节点序号，表示 edges 中每条有向边的目的节点

来自批处理不同图的节点和边用 nodes 和 edges 的第一个维度连接，并且可以分别使用 n_node 和 n_edge 字段进行划分。除了 n_* 字段外，所有字段可选。

GraphsTuple 实例的属性通常是 Numpy arrays 或 TensorFlow tensors。

该库包含了一些实用工具，可以使用这些类型的属性来操作图：

• utils_np（Numpy arrays）
• utils_tf（TensorFlow tensors）

GraphsTuple 类中一个重要的方法是 GraphsTuple.replace。和 collections.namedtuple._replace 类似（实际为其子类），这个方法创建了 GraphsTuple 的拷贝，引用了所有的原始属性，用提供的关键字参数对其中的一些值进行替换。

创建图

图中包含什么？

每个图有一个全局特征，一些点和边。图的点和边数可以不同，但全局、节点和边的属性向量必须在全图中相同。为创建 graphs.GraphsTuple 实例，我们可以定义一个 list，元素是 dicts，使用以下的键，键包括每个图的数据：

• “globals”：每个图有一个 float 值特征向量
• “Nodes”：每个图有一个节点集，有 float 值特征向量
• “globals”：每个图有一个边集，有 float 值特征向量
• “senders”：每个边连接的一个发送节点，用 int 值的节点序号表示
• “receivers”：每个边连接的一个接受节点，用 int 值的节点序号表示

下面的代码创建了虚拟图数据：

# Global features for graph 0.
globals_0 = [1., 2., 3.]

# Node features for graph 0.
nodes_0 = [[10., 20., 30.],  # Node 0
           [11., 21., 31.],  # Node 1
           [12., 22., 32.],  # Node 2
           [13., 23., 33.],  # Node 3
           [14., 24., 34.]]  # Node 4

# Edge features for graph 0.
edges_0 = [[100., 200.],  # Edge 0
           [101., 201.],  # Edge 1
           [102., 202.],  # Edge 2
           [103., 203.],  # Edge 3
           [104., 204.],  # Edge 4
           [105., 205.]]  # Edge 5

# The sender and receiver nodes associated with each edge for graph 0.
senders_0 = [0,  # Index of the sender node for edge 0
             1,  # Index of the sender node for edge 1
             1,  # Index of the sender node for edge 2
             2,  # Index of the sender node for edge 3
             2,  # Index of the sender node for edge 4
             3]  # Index of the sender node for edge 5
receivers_0 = [1,  # Index of the receiver node for edge 0
               2,  # Index of the receiver node for edge 1
               3,  # Index of the receiver node for edge 2
               0,  # Index of the receiver node for edge 3
               3,  # Index of the receiver node for edge 4
               4]  # Index of the receiver node for edge 5

# Global features for graph 1.
globals_1 = [1001., 1002., 1003.]

# Node features for graph 1.
nodes_1 = [[1010., 1020., 1030.],  # Node 0
           [1011., 1021., 1031.]]  # Node 1

# Edge features for graph 1.
edges_1 = [[1100., 1200.],  # Edge 0
           [1101., 1201.],  # Edge 1
           [1102., 1202.],  # Edge 2
           [1103., 1203.]]  # Edge 3

# The sender and receiver nodes associated with each edge for graph 1.
senders_1 = [0,  # Index of the sender node for edge 0
             0,  # Index of the sender node for edge 1
             1,  # Index of the sender node for edge 2
             1]  # Index of the sender node for edge 3
receivers_1 = [0,  # Index of the receiver node for edge 0
               1,  # Index of the receiver node for edge 1
               0,  # Index of the receiver node for edge 2
               0]  # Index of the receiver node for edge 3

data_dict_0 = {
   
    "globals": globals_0,
    "nodes": nodes_0,
    "edges": edges_0,
    "senders": senders_0,
    "receivers": receivers_0
}

data_dict_1 = {
   
    "globals": globals_1,
    "nodes": nodes_1,
    "edges": edges_1,
    "senders": senders_1,
    "receivers": receivers_1
}

将图表示为 graphs.GraphsTuple

utils_np 包括了名为 utils_np.data_dicts_to_graphs_tuple 的函数，传入上面指定键的 dicts 的 list，返回 GraphsTuple 表示图序列。

data_dicts_to_graphs_tuple 做了三件事：

1. 将多个图的数据按最内层的轴（即批处理维度）连接在一起，使得图网络可以通过一个共享函数并行处理节点和边的属性
2. 计算每个图的节点数和边数，并将它们分别存储在字段 n_node 和 n_edge 中，长度等于图的数量。这用于跟踪哪些节点和边属于哪个图，以便稍后进行分割。这样图就可以跨节点和边传播图的全局属性
3. 向发送节点和接受节点索引加一个整数偏移量，该偏移量对应于前面图中的节点数。这使得索引，在连接节点和边属性后，对应于对应图的节点和边

使用 utils_np.data_dicts_to_graphs_tuple 将图字典放入 GraphsTuple：

data_dict_list = [data_dict_0, data_dict_1]
graphs_tuple = utils_np.data_dicts_to_graphs_tuple(data_dict_list)

使用 networkx 对图可视化

GraphsTuple 可转换为 networkx 图对象 list，以便于可视化。

可视化前面定义的图：

graphs_nx = utils_np.graphs_tuple_to_networkxs(graphs_tuple