Torch geometric GCNConv 源码分析

Torch geometric GCNConv 源码分析

  • 公式
    • 向量形式
    • 矩阵形式
  • GCNConv源码
    • 初始化init
    • forward
    • message
    • update
  • 前向传播demo
  • 参考文档

公式

向量形式

x i ( k ) = ∑ j ∈ N ( i ) ∪ { i } 1 deg ⁡ ( i ) ⋅ d e g ( j ) ⋅ ( Θ ⋅ x j ( k − 1 ) ) , \mathbf{x}_i^{(k)} = \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{deg(j)}} \cdot \left( \mathbf{\Theta} \cdot \mathbf{x}_j^{(k-1)} \right), xi(k)=jN(i){i}deg(i) deg(j) 1(Θxj(k1)),
其中, Θ \mathbf{\Theta} Θ是权重矩阵(即机器学习中要更新的参数), x i ( k ) \mathbf{x}_i^{(k)} xi(k)表示节点 i i i k k k次迭代的特征向量, d e g ( i ) {deg(i)} deg(i)表示节点 i i i的度, N ( i ) \mathcal{N}(i) N(i)表示节点 i i i的所有邻居节点的集合。

矩阵形式

X ′ = D ^ − 1 / 2 A ^ D ^ − 1 / 2 X Θ \mathbf{X}^{\prime} = \mathbf{\hat{D}}^{-1/2} \mathbf{\hat{A}} \mathbf{\hat{D}}^{-1/2} \mathbf{X} \mathbf{\Theta} X=D^1/2A^D^1/2XΘ
为了便于理解,我后面有些地方用向量形式,有些地方用矩阵形式。

GCNConv源码

目前最新版本的源码已经和下面的代码不一样了,但是原理基本上是一样的。

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation.
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):
        # x has shape [N, in_channels]
        # edge_index has shape [2, E]

        # Step 1: Add self-loops to the adjacency matrix.
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: Linearly transform node feature matrix.
        x = self.lin(x)

        # Step 3-5: Start propagating messages.
        return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=x)

    def message(self, x_j, edge_index, size):
        # x_j has shape [E, out_channels]
        # edge_index has shape [2, E]

        # Step 3: Normalize node features.
        row, col = edge_index
        deg = degree(row, size[0], dtype=x_j.dtype)  # [N, ]
        deg_inv_sqrt = deg.pow(-0.5)   # [N, ]
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        return norm.view(-1, 1) * x_j

    def update(self, aggr_out):
        # aggr_out has shape [N, out_channels]

        # Step 5: Return new node embeddings.
        return aggr_out

初始化init

这一部分主要是定义了一个线性变换的结构进行降维。

    def __init__(self, in_channels, out_channels):
        super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation.
        self.lin = torch.nn.Linear(in_channels, out_channels)

其中in_channels是节点特征的维度,out_channels是我们自己设定的降维维度。这里只是定义了结构,具体的逻辑实现是在forward()里实现的。这一部分对应着 X Θ \mathbf{X} \mathbf{\Theta} XΘ。输入维度为(N, in_channels),输出维度为(N, out_channels)N是节点个数。Torch geometric GCNConv 源码分析_第1张图片

图片来自https://github.com/LYuhang/GNN_Review

forward

    def forward(self, x, edge_index):
        # x has shape [N, in_channels]
        # edge_index has shape [2, E]

        # Step 1: Add self-loops to the adjacency matrix.
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: Linearly transform node feature matrix.
        x = self.lin(x)

        # Step 3-5: Start propagating messages.
        return self.propagate(edge_index, size=(x.size(0), x.size(0)), x=x)
  • 1、给邻接矩阵加上自循环,也即构造出矩阵 A ^ \mathbf{\hat{A}} A^
    但是如果用边的形式表示的话,相当于在原先的数组上加上sourcetarget节点编号相同的边。例如,从[[0,1,1,2],[1,0,2,1]]变成了[[0,1,1,2,0,1,2],[1,0,2,1,0,1,2]]

  • 2、实现了线性变换
    如在init里所说的一样。

message

    def message(self, x_j, edge_index, size):
        # x_j has shape [E, out_channels]
        # edge_index has shape [2, E]

        # Step 3: Normalize node features.
        row, col = edge_index
        deg = degree(row, size[0], dtype=x_j.dtype)  # [N, ]
        deg_inv_sqrt = deg.pow(-0.5)   # [N, ]
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        return norm.view(-1, 1) * x_j
  • 3、对特征进行归一化
    首先说明x_j的由来。这里E表示边的个数,
    对边矩阵edge_index,形状为(2, E),第一行表示边的source节点(在代码中是row,这两者在本文中等价),第二行表示边的target节点(在代码中是col,这两者在本文中等价),如下示意图
    Torch geometric GCNConv 源码分析_第2张图片
图片来自https://github.com/LYuhang/GNN_Review

然后,以target节点作为索引,从线性变换后的特征矩阵中索引得到target节点的特征矩阵,示意图如下
Torch geometric GCNConv 源码分析_第3张图片

图片来自https://github.com/LYuhang/GNN_Review

这就是x_j的由来,也是为什么形状为(E, out_channels)的原因。这一部并未在上面的代码中体现,我也是看别人的文章才知道的。
message函数中,首先计算了row(target)的度,这里默认图是无向图,row的度和col的度在结果上是一样的。deg[0]表示编号为0的节点的度,因此它的长度为N。而deg_inv_sqrt[row]返回了长度为E的度数组。例如,deg_inv_sqrt[0]表示第1条边的source的度的开根号,因此若把它与第一条边的target的度的开根号,就能得到标准化系数了。因此,norm最终保存了所有边的标准化系数。
函数最后返回的是每一条边的标准化系数 × 这条边target这一端的节点特征

  • 4、对邻居节点特征进行聚合操作
    根据前面的数学公式
    ∑ j ∈ N ( i ) ∪ { i } 1 deg ⁡ ( i ) ⋅ d e g ( j ) ⋅ ( Θ ⋅ x j ( k − 1 ) ) \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{deg(j)}} \cdot \left( \mathbf{\Theta} \cdot \mathbf{x}_j^{(k-1)} \right) jN(i){i}deg(i) deg(j) 1(Θxj(k1))
    可以看到累加是有条件的。对于节点i,我们只需要节点i本身以及它的邻居节点j就可以了。
    因此,在第3步所做的工作中,我们只需要找出sourcei的特征向量并进行聚合即可。换句话说,按照source进行聚合,如下图所示
    Torch geometric GCNConv 源码分析_第4张图片
图片来自https://github.com/LYuhang/GNN_Review

这里有3条边的source都是节点0,因此将这三行向量聚合(相加sum,取均值mean,取最大值max都可以,这里用相加),最终得到一个形状为(N, out_channels)的特征矩阵。该矩阵,就是这一层GCN的输出。

update

    def update(self, aggr_out):
        # aggr_out has shape [N, out_channels]

        # Step 5: Return new node embeddings.
        return aggr_out
  • 5、直接返回信息聚合的输出

前向传播demo

demo使用pytorch geometric样例的图形,如下图所示
Torch geometric GCNConv 源码分析_第5张图片

图片来自https://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.html

首先定义一张图。为了更好地理解,图中我把节点的特征值改成2维的了(而不是上面一样每个节点只有1维特征值)

import torch
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv

# 随机种子
torch.manual_seed(0)

# 定义边
edge_index = torch.tensor([[0, 1, 1, 2],
                           [1, 0, 2, 1]], dtype=torch.long)

# 定义节点特征,每个节点特征维度是2
x = torch.tensor([[-1,2], [0,4], [1,5]], dtype=torch.float)


#创建一层GCN层,并把特征维度从2维降到1维
conv = GCNConv(2, 1)

# 前向传播
x = conv(x, edge_index)
print(x) 
# tensor([[2.0028],
#         [3.1795],
#         [3.1302]], grad_fn=)

接下来我要手动计算最终结果是如何出来的。

  • 1、添加自循环
    输入:[[0,1,1,2],[1,0,2,1]],输出:[[0,1,1,2,0,1,2],[1,0,2,1,0,1,2]]。这个没什么好说的

  • 2、线性变换降维
    这里权重矩阵是随机生成的,和我的随机数种子有关,如果你们的随机数种子和我一样的话,结果也应该和我一样。
    特征矩阵X=[[-1,2],[0,4],[1,5]]权重矩阵W=[[-0.0106], [0.7586]],因此XW=[[1.5279],[3.0346],[3.7826]](这是我在调试时得到的结果,因为权重矩阵后面还有小数没显示出来,如果你们手动计算的话会发现XW=[[1.5278],[3.0344],[3.7824]],后面也会有类似的问题,读者不用太过在意)

  • 3、特征归一化
    source(代码中的row)=[0,1,1,2,0,1,2]target(代码中的col)=[1,0,2,1,0,1,2],度deg=[2,3,2],对度的数组取-0.5次幂得到deg_inv_sqrt=[0.7071, 0.5774, 0.7071]。有了上面这些信息,我们可以计算每一条边的归一化系数,计算方法是norm[0]=dev_inv_sqrt[row[0]] * dev_inv_sqrt[col[0]]=0.4082,即第一条边的归一化系数是0.4082。类似地,整个数组norm=deg_inv_sqrt[row] * deg_inv_sqrt[col]=[0.4082,0.4082,0.4082,0.4082,0.5000,0.3333,0.5000]
    source节点作为索引(我前面分析的时候用的是target作为索引,但是实际运行程序的时候默认是以source作为索引的,因此我按照这个来,上面的分析也暂时不改了),从线性变换后的特征矩阵中索引得到source节点的特征矩阵。
    因此,根据source=[0,1,1,2,0,1,2]XW=[[1.5279],[3.0346],[3.7826]],可以得到矩阵x_j=[[1.5279],[3.0346],[3.0346],[3.7826],[1.5279],[3.0346],[3.7826]],将该矩阵与norm对位相乘,得到src=[[0.6238],[1.2389],[1.2389],[1.5443],[0.7639],[1.0115],[1.8913]]

  • 4、聚合
    聚合的意思,就是对于节点i,把它自身的特征向量和它周围所有节点j的特征向量相加(或平均,或取最大值)。根据target=[1,0,2,1,0,1,2]src=[[0.6238],[1.2389],[1.2389],[1.5443],[0.7639],[1.0115],[1.8913]],把target中节点编号相同的索引所对应的src中特征向量相加。首先找0号节点,在target中索引是14,因此把src[1]src[4]相加,得到0号节点的新特征值2.00281号节点和2号节点也进行类似的操作,最终得到输出[[2.0028], [3.1795],[3.1302]]。这一层图卷积层的前向传播就结束了。

  • 5、更新
    直接返回值。

参考文档

https://github.com/LYuhang/GNN_Review
https://blog.csdn.net/NockinOnHeavensDoor/article/details/88974568

你可能感兴趣的:(图神经网络)