Skip to content

WARNING

🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。

图神经网络 — demo.py 代码详解 ​

Download demo.py

运行方式 ​

bash
cd docs/nn-decision/dl/gnn/code
python demo.py

两社团随机图(团内边密、团间稀),节点分类。GCN 用 (\tilde D^{-1/2}\tilde A\tilde D^{-1/2}HW);GATLayer 按目标节点 softmax 边权。不安装 PyG / DGL。图写入 images/gnn_gcn_gat.png。

代码逐段详解 ​

第1步:建图 ​

make_two_community_graph 造一张随机块模型:20 个节点、两团。团内连边概率高、团间低。节点特征是 度数 + 带噪声的社团指示,其中社团指示直接由标签加噪声构造,已提供很强的分类线索;本例不能证明模型必须依赖邻域结构才能分类。

边存成 edge_index((2\times E),PyG 同款)和稠密 A(给 GCN 做矩阵乘,图很小才敢这样)。

第2步:GCN 的对称归一化 ​

python
A_hat = A + I
deg = A_hat.sum(dim=1)
d_inv = deg.pow(-0.5)
A_norm = d_inv.unsqueeze(1) * A_hat * d_inv.unsqueeze(0)

这就是 (\tilde D^{-1/2}\tilde A\tilde D^{-1/2})。前向两行:

text
h = ReLU(A_norm @ (x W1))
logit = A_norm @ (h W2)

每个邻居(含自环)贡献 (1/\sqrt{d_i d_j}),度数大的节点不会把邻居冲掉。

第3步:GAT 按目标节点做 softmax ​

对每条边 (j\to i) 打分 (e_{ij}=\mathrm{LeakyReLU}(a^\top[Wh_i|Wh_j])),然后 只在指向同一个 (i) 的边上 softmax,得到 (\alpha_{ij})。index_add_ 把 (\alpha_{ij} Wh_j) 加到目标节点——和 as05 的 mean 聚合同一套路,只是权重不再均匀。

图中的准确率来自参与训练的节点,不是独立测试成绩。二维 logit 可以展示训练节点的分类输出是否分开,但没有注意力热图,不能据此判断 GAT 是否压低了跨团边权,也不能证明 GAT 优于 GCN。

第4步:训练 ​

交叉熵 + Adam 200 步,所有节点标签都参与损失和准确率计算,没有留出的验证/测试节点。这只是全监督训练拟合演示,不是转导泛化评测。转导评测通常允许看到测试节点的特征和边,但不把测试标签用于训练;归纳评测则保留未见节点或新图。本例两者都未验证,且归纳能力并不要求必须采用 GraphSAGE 邻居采样。

关键概念速查表 ​

概念含义代码位置
edge_index边列表 (2\times E)make_two_community_graph
对称归一化GCN 的 (\tilde D^{-1/2}\tilde A\tilde D^{-1/2})gcn_norm_adj
消息聚合按 dst 加权求和GATLayer + index_add_
评估范围所有节点均参与训练,无留出划分本 demo 只报告训练拟合

消息传递三步见 消息传递;GCN / GAT 公式见 变体;网格/分子见 as05。

源码位置 ​

docs/nn-decision/dl/gnn/code/demo.py