PyTorch Geometric MPNN学习笔记（实现向）

本文主要是介绍PyTorch Geometric MPNN学习笔记（实现向），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

建立消息传递网络MPNN

本文主要从实现层面讲解代码。

在Graph中，如果将卷积这一操作推广到其他域中时，往往用邻域聚合或消息传递来表示。
接下来有定义几个Notation：
$\textbf{x}_i^{(k)}$ 表示第 $k$ 次迭代的节点 $i$ 的节点特征；
$\textbf{e}_{j,i}$ 表示从节点 $j$ 到节点 $i$ 的（可选的）边缘特征；
$i$ 被约定为单向边的目的节点； $j$ 被约定为单向边的源节点；
$\mathcal{N}(i)$ 表示节点 $i$ 的邻居节点（即，与 $i$ 有直接连边的节点）；
简单来讲，这个GNN模型可以被表征为：
$\textbf{x}_i^{(k)}=\gamma^{(k)}(\textbf{x}_i^{(k-1)},\boxed{}_{j \in \mathcal{N}(i)}\phi(\textbf{x}_i^{(k-1)},\textbf{x}_j^{(k-1)},\textbf{e}_{j,i}))$
其中， $\boxed{}$ （方框操作）是代表了一种可导的（differentiable）且置换不变的（permutation）函数，在Pytorch Geometric中，提供了sum,mean,max三种操作，接下来这种“方框操作”将被称为“聚合函数”。
$\gamma$ 和 $\phi$ 是两种不同的可导函数，以此来进行所谓的“特征提取”，常见的比如简单的MLP。

Message Passing基类

在PyTorch Geometric中，提供了Message Passing(MP)基类来帮助我们构建MPNN，官方文档给出了一个很好的范例：

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degreeclass GCNConv(MessagePassing):def __init__(self, in_channels, out_channels):super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation (Step 5).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: Compute normalization.row, col = edge_indexdeg = degree(col, x.size(0), dtype=x.dtype)deg_inv_sqrt = deg.pow(-0.5)deg_inv_sqrt[deg_inv_sqrt == float('inf')] = 0norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]# Step 4-5: Start propagating messages.return self.propagate(edge_index, x=x, norm=norm)def message(self, x_j, norm):# x_j has shape [E, out_channels]# Step 4: Normalize node features.return norm.view(-1, 1) * x_j

为了方便，我们一部分一部分的来看。

init

    def __init__(self, in_channels, out_channels):super(GCNConv, self).__init__(aggr='add')  # "Add" aggregation (Step 5).self.lin = torch.nn.Linear(in_channels, out_channels)

利用MP基类，我们建立属于自己的类GCNConv，并对其进行初始化操作，包括设置参数，而MP基类中可被用户修改定义的参数包括：
MessagePassing(aggr=“add”, flow=“source_to_target”, node_dim=-2)
聚合函数(“add”, “mean” or “max”)；默认add，也是最常用的。
信息传递方向(“source_to_target” or “target_to_source”).；默认前一个。
node_dim个人认为不太用，如需要可参考[1]。
此外，在这里也可以定义我们需要的其它库函数，例如线性函数、MLP、GRU等等。

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: Compute normalization.row, col = edge_indexdeg = degree(col, x.size(0), dtype=x.dtype)deg_inv_sqrt = deg.pow(-0.5)deg_inv_sqrt[deg_inv_sqrt == float('inf')] = 0norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]# Step 4-5: Start propagating messages.return self.propagate(edge_index, x=x, norm=norm)

我们对消息传递的主要操作就在这个forward中进行啦。
这里给了几个基本操作，但不一定会用到。包括加自环、线性变换、根据度来计算归一化等。
为了便于理解，我们就把forward实现的公式放在这里，有兴趣的可以自行理解：
$\mathbf{x}_i^{(k)} = \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{\deg(j)}} \cdot \left( \mathbf{\Theta} \cdot \mathbf{x}_j^{(k-1)} \right),$

propagate

那么MP类中最重要的内容其实就是它的propagate函数了，如果这个函数被调用，那么MP类会隐式的调用如下三个函数：message(), aggregate(), update()。

aggregate()基本上就是我们在init部分规定好的参数了；
message()主要实现一开始的公式中的 $\phi$ 这一部分；
update()实现了 $\gamma$ 部分。

如果在类中不显式的说明这三个函数，那么就是直接输入即输出。因此我们一般都是要至少修改其中一个函数的。在修改的过程中，所有的包含“源和目的节点”这两个属性的变量都可以很方便的表达，比如 $x$ 是表示特征的变量，那么调用 $x_j$ 就是所有的源节点的特征， $x_i$ 就是所有目的节点的特征。

调用类

conv = GCNConv(16, 32)
x = conv(x, edge_index)

这里调用的时候需要说明一下，输入参数表是跟着MP类所属forward()函数需要的参数列表来的。这里，edge_index和特征x的确定，可根据[2]中的讲解来进行。

Reference

[1] https://pytorch-geometric.readthedocs.io/en/latest/notes/create_gnn.html#the-messagepassing-base-class
[2] https://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.html

这篇关于PyTorch Geometric MPNN学习笔记（实现向）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！