简单讲解图卷积网络（Graph Convolutional Layer）附代码

图卷积操作的原理

图卷积操作（Graph Convolution Operation）是一种针对图结构数据的特殊卷积操作。

在卷积神经网络（CNN）中，卷积操作常在网格数据（如图片）上进行。相比之下，图卷积操作是为了处理不规则的图结构数据而设计的。

在图卷积操作中，节点的特征表示是根据邻居节点的特征和自身的特征来更新的。这个过程可以视为在图上的信息传播和聚合操作。

具体来说，一个节点的新特征是其邻居节点特征的加权平均，权重通常由节点之间的连接和它们的度（即连接数）决定。

给定一个节点 ii，其嵌入 $h_i$ 表达为：
$$h_i=\frac{1}{\mathrm{deg}(i)}\sum _{j\in N(i)}{x}_j{W}^T$$
其中 $x_j$​ 是邻居节点的输入特征，$W^T$ 是转置的GCN权重矩阵，$\mathrm{deg}(\cdot )$是某点的度数，$N(\cdot )$返回该点的邻居节点。

代码

调用PyTorch Geometric API: GCNConv

为了在Python中实现GCN，我们可以使用PyTorch和PyTorch Geometric：

import torch
from torch_geometric.nn import GCNConv

# 定义图卷积层
class GraphConvolutionLayer(torch.nn.Module):
    def __init__(self, in_features, out_features):
        super(GraphConvolutionLayer, self).__init__()
        self.conv = GCNConv(in_features, out_features)

    def forward(self, x, edge_index):
        x = self.conv(x, edge_index)
        return x

# 示例：输入特征和边索引
in_features = 2
out_features = 64
edge_index = torch.tensor([[0, 1], [1, 2], [2, 0]], dtype=torch.long).t().contiguous()
x = torch.rand((3, in_features))  # 3个节点，每个节点2个特征

# 创建图卷积层实例
gcn_layer = GraphConvolutionLayer(in_features, out_features)
output = gcn_layer(x, edge_index)

print(output)

通过矩阵乘法实现GCN

不带归一化的矩阵乘法形式可以表示为：
$$H=\tilde{A}X{W}^T$$
在这里，$H$ 代表输出，即这张图的节点特征新表示，$\tilde{A}=A+I$ 是邻接矩阵加上自环，$X$是节点特征矩阵，$W^T$是转置的权重矩阵。

接下来是GCN的另一种实践，比PyTorch Geometric更灵活，特别是在处理基于骨架的动作识别这种灵活的图结构建模问题：

import torch
import torch.nn as nn


class SpatialGraphConvolution(nn.Module):
    def __init__(self, in_channels, out_channels, s_kernel_size=1):
        super().__init__()
        self.s_kernel_size = s_kernel_size  # 空间核大小
        # 由于下面的卷积层是一个1x1卷积，因此它实际上是对特征进行线性变换（即对应上文式子里的W）
        self.conv = nn.Conv2d(in_channels=in_channels,
                              out_channels=out_channels * s_kernel_size,
                              kernel_size=1)

    def forward(self, x, A):
    """
    A的维度维度：空间核大小， 图的节点数， 图的节点数
    A应当之前就被正则化完毕
    """
        # 应用1x1卷积进行特征变换
        x = self.conv(x)
        n, kc, t, v = x.size()  # 获取输出特征的维度：小批次数据样本数、节点特征通道、时间步、顶点数
        # 重塑特征以匹配空间核的维度
        x = x.view(n, self.s_kernel_size, kc // self.s_kernel_size, t, v)
        # 使用爱因斯坦求和约定来进行张量运算。这里执行的是图卷积操作。
        # 'nkctv,kvw->nctw'表示对n（批大小）、k（空间核）、c（通道）、t（时间步）、v（顶点数）、w（邻接矩阵维度）的张量进行操作
        x = torch.einsum('nkctv,kvw->nctw', (x, A))
        # 返回连续的内存布局的张量，有助于后续操作的性能优化
        return x.contiguous()

---

参考资料：

https://arxiv.org/pdf/1801.07455.pdf

https://github.com/ugrkilc/ST-GCN/tree/main