GNN学习的第十五天

Task06 基于图神经网络的图表征学习方法

1.1 基于图同构网络(GIN)的图表征网络的实现

基本思路:计算节点表征,对图上各个节点的表征做图池化,得到图的表征

图表征模块(GINGraphReprModule):

对图上每一个节点进行节点嵌入,得到节点表征

对节点表征做图池化,得到图表征

用一层线性变换对图表征转换为对图的预测

节点嵌入模块(GINNodeEmbeddingModule):

用AtomEcoder进行嵌入,得到第0层节点表征

逐层计算节点表征

感受野越大,节点i的表征最后能捕获到节点i的距离为num_layers的邻接节点的信息

图同构卷积层(GINConv):

将类别型边属性转换为边表征

消息传递、消息聚合、消息更新

AtomEncoder和BondEncoder:将节点属性和边属性分布映射到一个新空间,再对节点和边进行信息融合。

importtorchfromtorchimportnnfromtorch_geometric.nnimportglobal_add_pool,global_mean_pool,global_max_pool,GlobalAttention,Set2Setimporttorch.nn.functionalasFfromtorch_geometric.nnimportMessagePassingfromogb.graphproppred.mol_encoderimportBondEncoderfromogb.utils.featuresimportget_atom_feature_dims,get_bond_feature_dimsCopy to clipboardErrorCopied

2.1 GIN的图表征模块

classGINGraphPooling(nn.Module):def__init__(self,num_tasks=1,num_layers=5,emb_dim=300,residual=False,drop_ratio=0,JK="last",graph_pooling="sum"):"""GIN Graph Pooling Module

        此模块首先采用GINNodeEmbedding模块对图上每一个节点做嵌入,然后对节点嵌入做池化得到图的嵌入,最后用一层线性变换得到图的最终的表示(graph representation)。

        Args:

            num_tasks (int, optional): number of labels to be predicted. Defaults to 1 (控制了图表示的维度,dimension of graph representation).

            num_layers (int, optional): number of GINConv layers. Defaults to 5.

            emb_dim (int, optional): dimension of node embedding. Defaults to 300.

            residual (bool, optional): adding residual connection or not. Defaults to False.

            drop_ratio (float, optional): dropout rate. Defaults to 0.

            JK (str, optional): 可选的值为"last"和"sum"。选"last",只取最后一层的结点的嵌入,选"sum"对各层的结点的嵌入求和。Defaults to "last".

            graph_pooling (str, optional): pooling method of node embedding. 可选的值为"sum","mean","max","attention"和"set2set"。 Defaults to "sum".

        Out:

            graph representation

        """super(GINGraphPooling,self).__init__()self.num_layers=num_layers        self.drop_ratio=drop_ratio        self.JK=JK        self.emb_dim=emb_dim        self.num_tasks=num_tasksifself.num_layers<2:raiseValueError("Number of GNN layers must be greater than 1.")# 对图上的每个节点进行节点嵌入self.gnn_node=GINNodeEmbedding(num_layers,emb_dim,JK=JK,drop_ratio=drop_ratio,residual=residual)# Pooling function to generate whole-graph embeddingsifgraph_pooling=="sum":self.pool=global_add_poolelifgraph_pooling=="mean":self.pool=global_mean_poolelifgraph_pooling=="max":self.pool=global_max_poolelifgraph_pooling=="attention":self.pool=GlobalAttention(gate_nn=nn.Sequential(nn.Linear(emb_dim,emb_dim),nn.BatchNorm1d(emb_dim),nn.ReLU(),nn.Linear(emb_dim,1)))elifgraph_pooling=="set2set":self.pool=Set2Set(emb_dim,processing_steps=2)else:raiseValueError("Invalid graph pooling type.")ifgraph_pooling=="set2set":self.graph_pred_linear=nn.Linear(2*self.emb_dim,self.num_tasks)else:self.graph_pred_linear=nn.Linear(self.emb_dim,self.num_tasks)defforward(self,batched_data):h_node=self.gnn_node(batched_data)h_graph=self.pool(h_node,batched_data.batch)# 一层线性变换,对图表征转换为对图的预测output=self.graph_pred_linear(h_graph)ifself.training:returnoutputelse:# At inference time, relu is applied to output to ensure positivityreturntorch.clamp(output,min=0,max=50)Copy to clipboardErrorCopied

2.2 节点嵌入模块

classGINNodeEmbedding(torch.nn.Module):"""

    Output:

        node representations

    """def__init__(self,num_layers,emb_dim,drop_ratio=0.5,JK="last",residual=False):"""GIN Node Embedding Module

        采用多层GINConv实现图上结点的嵌入。

        """super(GINNodeEmbedding,self).__init__()self.num_layers=num_layers        self.drop_ratio=drop_ratio        self.JK=JK# add residual connection or notself.residual=residualifself.num_layers<2:raiseValueError("Number of GNN layers must be greater than 1.")self.atom_encoder=AtomEncoder(emb_dim)# List of GNNsself.convs=torch.nn.ModuleList()self.batch_norms=torch.nn.ModuleList()forlayerinrange(num_layers):self.convs.append(GINConv(emb_dim))self.batch_norms.append(torch.nn.BatchNorm1d(emb_dim))defforward(self,batched_data):x,edge_index,edge_attr=batched_data.x,batched_data.edge_index,batched_data.edge_attr# computing input node embedding# 先将类别型原子属性转化为原子嵌入,得到第0层节点表征h_list=[self.atom_encoder(x)]# 逐层计算节点表征forlayerinrange(self.num_layers):h=self.convs[layer](h_list[layer],edge_index,edge_attr)h=self.batch_norms[layer](h)iflayer==self.num_layers-1:# remove relu for the last layerh=F.dropout(h,self.drop_ratio,training=self.training)else:h=F.dropout(F.relu(h),self.drop_ratio,training=self.training)ifself.residual:h+=h_list[layer]# 得到全部节点表征h_list.append(h)# Different implementations of Jk-concatifself.JK=="last":node_representation=h_list[-1]elifself.JK=="sum":node_representation=0forlayerinrange(self.num_layers+1):node_representation+=h_list[layer]returnnode_representationCopy to clipboardErrorCopied

2.3 图同构卷积层

classGINConv(MessagePassing):def__init__(self,emb_dim):'''

            emb_dim (int): node embedding dimensionality

        '''super(GINConv,self).__init__(aggr="add")self.mlp=nn.Sequential(nn.Linear(emb_dim,emb_dim),nn.BatchNorm1d(emb_dim),nn.ReLU(),nn.Linear(emb_dim,emb_dim))self.eps=nn.Parameter(torch.Tensor([0]))self.bond_encoder=BondEncoder(emb_dim=emb_dim)defforward(self,x,edge_index,edge_attr):edge_embedding=self.bond_encoder(edge_attr)# 先将类别型边属性转换为边嵌入out=self.mlp((1+self.eps)*x+self.propagate(edge_index,x=x,edge_attr=edge_embedding))returnoutdefmessage(self,x_j,edge_attr):returnF.relu(x_j+edge_attr)defupdate(self,aggr_out):returnaggr_outCopy to clipboardErrorCopied

2.4 AtomEncoder与BondEncoder

full_atom_feature_dims=get_atom_feature_dims()full_bond_feature_dims=get_bond_feature_dims()classAtomEncoder(torch.nn.Module):"""该类用于对原子属性做嵌入。

    记`N`为原子属性的维度,则原子属性表示为`[x1, x2, ..., xi, xN]`,其中任意的一维度`xi`都是类别型数据。full_atom_feature_dims[i]存储了原子属性`xi`的类别数量。

    该类将任意的原子属性`[x1, x2, ..., xi, xN]`转换为原子的嵌入`x_embedding`(维度为emb_dim)。

    """def__init__(self,emb_dim):super(AtomEncoder,self).__init__()self.atom_embedding_list=torch.nn.ModuleList()fori,diminenumerate(full_atom_feature_dims):emb=torch.nn.Embedding(dim,emb_dim)# 不同维度的属性用不同的Embedding方法torch.nn.init.xavier_uniform_(emb.weight.data)self.atom_embedding_list.append(emb)defforward(self,x):x_embedding=0# 节点的不同属性融合foriinrange(x.shape[1]):x_embedding+=self.atom_embedding_list[i](x[:,i])returnx_embeddingclassBondEncoder(torch.nn.Module):def__init__(self,emb_dim):super(BondEncoder,self).__init__()self.bond_embedding_list=torch.nn.ModuleList()fori,diminenumerate(full_bond_feature_dims):emb=torch.nn.Embedding(dim,emb_dim)torch.nn.init.xavier_uniform_(emb.weight.data)self.bond_embedding_list.append(emb)defforward(self,edge_attr):bond_embedding=0# 边的不同属性融合foriinrange(edge_attr.shape[1]):bond_embedding+=self.bond_embedding_list[i](edge_attr[:,i])returnbond_embedding

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,701评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,649评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,037评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,994评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,018评论 6 395
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,796评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,481评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,370评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,868评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,014评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,153评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,832评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,494评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,039评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,156评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,437评论 3 373
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,131评论 2 356

推荐阅读更多精彩内容