Pytorch中GNN的基类torch_geometric.nn.conv.MessagePassing

MessagePassing是torch_geometric中GNN模型的基类,实现了下面的消息传递公式

Pytorch中GNN的基类torch_geometric.nn.conv.MessagePassing_第1张图片

 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

 。。。
#source=>target的消息传播

 out = self.message(*message_args)
#out为source顶点,out的shape为[E,channel],其中E为边的条数,channel为顶点embedding的维度

 out = scatter_(self.aggr, out, edge_index[i], dim, dim_size=size[i])
#将关联边的信息加(默认‘add’)到target的顶点上,out的shape为[V,channel],其中V为target顶点的个数

 out = self.update(out, *update_args)

 return out

假设顶点V1和顶点v2,v3,v4,.....vn有边相连,propagate做的事情是将v2,v3,v4,.....vn的信息加(默认‘add’,也可以‘mean’,‘max’)到v1上

GCN的实现,三个函数都是在MessagePassing的基础上实现的。

唯一关键的一步是norm函数,根据GCN的信息传播的公式,计算邻接矩阵和对角度矩阵。

                                                            

class GCNConv(MessagePassing):

    def __init__(self, in_channels, out_channels, improved=False, cached=False,
                 bias=True, **kwargs):
        super(GCNConv, self).__init__(aggr='add', **kwargs)
        #略
    @staticmethod
    def norm(edge_index, num_nodes, edge_weight=None, improved=False,
             dtype=None):
        #略
        #最关键的只有这一步,计算邻接矩阵和对角度矩阵,根据GCN的信息传播的公式
        row, col = edge_index
        deg = scatter_add(edge_weight, row, dim=0, dim_size=num_nodes)
        deg_inv_sqrt = deg.pow(-0.5)
        deg_inv_sqrt[deg_inv_sqrt == float('inf')] = 0

        return edge_index, deg_inv_sqrt[row] * edge_weight * deg_inv_sqrt[col]

    def forward(self, x, edge_index, edge_weight=None):
        """"""
        x = torch.matmul(x, self.weight)

        #略去代码 主要是设置是否缓存
        edge_index, norm = self.cached_result

        return self.propagate(edge_index, x=x, norm=norm)

    def message(self, x_j, norm):
        return norm.view(-1, 1) * x_j

    def update(self, aggr_out):
        if self.bias is not None:
            aggr_out = aggr_out + self.bias
        return aggr_out

 

你可能感兴趣的:(pytorch,gnn,pytorch)