对稀疏矩阵进行归一化

前言

在图神经网络的代码中我们经常会对稀疏矩阵进行归一化。下面代码以归一化为例。

---

1.引入库

代码如下（示例）：

import numpy as np
import scipy.sparse as sp

2.Row-normalize sparse matrix

代码如下（示例）：

def normalize(mx):
    '''Row-normalize sparse matrix'''
    # 矩阵行求和
    rowsum = np.array(mx.sum(1))
    # 求和的-1次方
    r_inv = np.power(rowsum.astype(float), -1).flatten()
    # 如果是inf，转换成0
    r_inv[np.isinf(r_inv)] = 0
    # 构建对角形矩阵
    r_mat_inv = sp.diags(r_inv)
    # 构造D-I*A, 非对称方式, 简化方式
    mx = r_mat_inv.dot(mx)
    return mx

示例：

mx = sp.csr_matrix([[0,1,0,1],[0,0,0,1],[1,0,0,1],[0,1,0,0]])
print(mx.A)
print(normalize(mx.A))

(DB-chun) C:\Users\渺渺夕\Desktop\GNN_learning>D:/Anaconda3/envs/DB-chun/python.exe c:/Users/渺渺夕/Desktop/GNN_learning/pygcn/utility.py
tensor([[0., 1., 0., 1.], 
        [0., 0., 0., 1.], 
        [1., 0., 0., 1.], 
        [0., 1., 0., 0.]])
[[0.  0.5 0.  0.5] 
 [0.  0.  0.  1. ] 
 [0.5 0.  0.  0.5] 
 [0.  1.  0.  0. ]]

---

注：
ValueError: Integers to negative integer powers are not allowed.
在power时，如果你的矩阵不是浮点型会报错