Torch geometric NNConv 源码分析

参数设置为 4，那么模型将学习 4 组注意力权重，每组权重都用于计算输入的不同子空间的注意力，然后将这些头的输出进行合并以产生最终的输出。应该设置为 16，表示每个输出样本的大小为 16，即经过卷积操作后每个节点的特征向量将变为 16 维。如果设置为元组，则表示输入样本的大小对应于源维度和目标维度的大小。因此，通过矩阵乘法运算，输入特征将被映射到一个新的特征空间，其维度为。表示每个输出样本的大小，即经过卷积操作后产生的特征向量的维度大小。在这个新的特征空间中，每个节点的每个头都有一个键表示。

使用GATConv进行图卷积操作，并调整参数以得到相同的结果。一.gatconv和ginconv的异同点。# 使用GINConv进行图卷积操作。GATConv公式如下。

MessagePassing是torch_geometric中GNN模型的基类，实现了下面的消息传递公式 要继承这个类，需要复写三个函数： propagate(edge_index, size=None) message() 消息传递分两种方式，默认的是source_to_target update() 其中propagate在执行的过程中会调用message和update ...

将边、源节点、宿节点重要性系数相加（相当于完成拼接），并经过负半平面斜率为。的每一维信息，按照对应位置的索引，加到零张量被索引节点对应。根据edge_index(2, edge_num)中的源节点索引，对线性变换后的节点特征索引，得到按。更新节点属性，得到经图注意力层处理后的节点特征。中的源和宿节点索引，对重要性系数索引，得到按。将变换后的节点特征分源节点和宿节点与分别源。，并与边权重系数相乘，得到边的重要性系数。，表示节点作为源和宿节点时的重要性系数。的零张量，将传递的信息，按照宿节点索引。

这个类继承自MessagePassing也就是Convolutional Layers import torch from torch.nn import Parameter from torch_scatter import scatter_add from torch_geometric.nn.conv import MessagePassing from torch_geometric.utils import add_remaining_self_loops from ..inits import

GCN/GraphSAGE/GAT代码 导包 import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, SAGEConv, GATConv from torch_geometric.datasets import Planetoid 导入数据集 dataset = Planetoid(root='./tmp/Cora', name='Cora') print(dataset.num_no

x_l = x[0]else:x_l = xx_r = x[1]x_l 表示源节点特征，如果 x 是元组，则取第一个元素，否则直接赋值为 x。如果 x_l 为 None，则生成一个范围在 0 到 self.in_channels_l - 1 的张量。x_r 表示目标节点特征，如果 x 是元组，则取第二个元素，否则直接赋值为 x_l。

假设 val 的形状为 (batch_size, 3 * feature_dim)，那么分割后会得到 3 个形状为 (batch_size, feature_dim) 的子张量。调用父类 MessagePassing 的构造函数，初始化图神经网络的消息传递操作，aggr=‘add’ 表示聚合方式使用加法，node_dim=0 表示节点特征的维度为 0（即节点级别）。最终返回的是一个字典 out_dict，其中包含了每种节点类型的最终输出嵌入。，用于计算节点的 K（键）、Q（查询）、V（值）表示。

torch_geometric.nn.graclus( edge_index, weight: Optional[torch.Tensor] = None, num_nodes: Optional[int] = None) 一种图分类的方法，分类之后每个集簇类内点与点之间的边权重和最大 （分类的思路是采用：论文笔记：Weighted Graph Cuts without Eigenvectors:A Multilevel Approach_UQI-LIUWJ的博客-CSD.

文章目录前言torch_geometric.utils.softmaxtorch_scatter.scatter 前言 其实个人不是很建议学习这些关于图深度学习的库，我之前还用过另外一个库DGL，也是五花八门的快速实现一个GNN，但是我的感觉是还不如自己写。用他们的API是非常头疼的，有的没有官方文档。本文并不是我自己决定学习这个库而写出来的，而是因为别人的代码用了，但我不知道什么意思，所以看了一下，顺便记录下来。反正个人不推荐使用。 torch_geometric.utils.softmax from t

1 获取数据集 该数据集用于semi-supervised的节点分类任务 from torch_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora') dataset.num_classes #7 #节点一共七个类 dataset.num_features #1433 #每个点1433个特征 len(dataset) #1 #只有一张图 dataset[0].is_undir

torch_geometric 介绍

https://pytorch-geometric.readthedocs.io/en/latest/modules/nn.html#torch_geometric.nn.conv.SAGEConv torch_geometric.utils 1.1 1.2 to_dense_batch 这里的to_dense_batch 不是把X变得更稀疏了吗？ X∈RB×Nmax⁡×F\mathbf{X} \in \mathbb{R}^{B \times N_{\max} \times F}X∈RB×Nmax​×F

call apply bind 都是改变this 的指向 区别 就是传入的参数格式不同 call fn.call(this, age, name ) apply fn.apply(this, [ age, name ] ) 实现call // 1. 判断有没有传入 this 没有返回 window // 2. 填加一个行为函数 绑定this 进行操作 Function.prototype.myCall = function (context) { // 1. 判断有没有传入 this

torch_geometric.nn.conv. MessagePassing( ) 继承这个类，可以自定义节点信息传播机制 例子 import torch from torch_geometric.nn.conv import MessagePassing class GCNConv(MessagePassing): def __init__(self): #选择相加的方式进行邻居节点信息聚合 super().__init__(aggr='add') def

之前我的实现方式相对而言麻烦且准确率不够好，只能达到65%左右的准确率（Cora上），这里介绍直接用PyG封装好的GAT函数实现： import torch import math from torch_geometric.nn import MessagePassing from torch_geometric.nn import GATConv from torch_geometric.utils import add_self_loops,degree from torch_geometric.da