python 学习GCN图卷积神经网络

图卷积神经网络涉及到图信号处理的相关知识,也是由图信号处理领域的知识推导发展而来,了解图信号处理的知识是理解图卷积神经网络的基础。

Posted in Python onMay 11, 2022

1. 图信号处理知识

图卷积神经网络涉及到图信号处理的相关知识,也是由图信号处理领域的知识推导发展而来,了解图信号处理的知识是理解图卷积神经网络的基础。

1.1 图的拉普拉斯矩阵

拉普拉斯矩阵是体现图结构关联的一种重要矩阵,是图卷积神经网络的一个重要部分。

1.1.1 拉普拉斯矩阵的定义及示例

python 学习GCN图卷积神经网络

实例:

python 学习GCN图卷积神经网络

按照上述计算式子,可以得到拉普拉斯矩阵为:

python 学习GCN图卷积神经网络

1.1.2 正则化拉普拉斯矩阵

python 学习GCN图卷积神经网络

1.1.3 拉普拉斯矩阵的性质

python 学习GCN图卷积神经网络

1.2 图上的傅里叶变换

傅里叶变换是一种分析信号的方法,它可分析信号的成分,也可用这些成分合成信号。它将信号从时域转换到频域,从频域视角给出了信号处理的另一种解法。(1)对于图结构,可以定义图上的傅里叶变换(GFT),对于任意一个在图G上的信号x,其傅里叶变换表示为:

python 学习GCN图卷积神经网络

从线代角度,可以清晰的看出:v1,…, vn构成了N维特征空间中的一组完备基向量,G中任意一个图信号都可表示为这些基向量的线性加权求和,系数为图信号对应傅里叶基上的傅里叶系数。

回到之前提到的拉普拉斯矩阵刻画平滑度的总变差:

python 学习GCN图卷积神经网络

可以看成:刻画图平滑度的总变差是图中所有节点特征值的线性组合,权值为傅里叶系数的平方。总变差取最小值的条件是图信号与最小的特征值所对应的特征向量完全重合,结合其描述图信号整体平滑度的意义,可将特征值等价成频率:特征值越低,频率越低,对应的傅里叶基变化缓慢,即相近节点的信号值趋于一致。

把图信号所有的傅里叶系数结合称为频谱(spectrum),频域的视角从全局视角既考虑信号本身,也考虑到图的结构性质。

1.3 图信号滤波器

图滤波器(Graph Filter)为对图中的频率分量进行增强或衰减,图滤波算子核心为其频率响应矩阵,为滤波器带来不同的滤波效果。

故图滤波器根据滤波效果可分为低通,高通和带通。

低通滤波器:保留低频部分,关注信号的平滑部分;

高通滤波器:保留高频部分,关注信号的剧烈变化部分;

带通滤波器:保留特定频段部分;

而拉普拉斯矩阵多项式扩展可形成图滤波器H:

python 学习GCN图卷积神经网络

2. 图卷积神经网络

2.1 数学定义

图卷积运算的数学定义为:

python 学习GCN图卷积神经网络

上述公式存在一个较大问题:学习参数为N,这涉及到整个图的所有节点,对于大规模数据极易发生过拟合。

进一步的化简推导:将之前说到的拉普拉斯矩阵的多项式展开代替上述可训练参数矩阵。

python 学习GCN图卷积神经网络

此结构内容即定义为图卷积层(GCN layer),有图卷积层堆叠得到的网络模型即为图卷积网络GCN。

2.2 GCN的理解及时间复杂度

图卷积层是对频率响应矩阵的极大化简,将本要训练的图滤波器直接退化为重归一化拉普拉斯矩阵

python 学习GCN图卷积神经网络

2.3 GCN的优缺点

优点:GCN作为近年图神经网络的基础之作,对处理图数据非常有效,其对图结构的结构信息和节点的属性信息同时学习,共同得到最终的节点特征表示,考虑到了节点之间的结构关联性,这在图操作中是非常重要的。

缺点:过平滑问题(多层叠加之后,节点的表示向量趋向一致,节点难以区分),由于GCN具有一个低通滤波器的作用(j聚合特征时使得节点特征不断融合),多次迭代后特征会趋于相同。

3. Pytorch代码解析

GCN层的pytorch实现:

class GraphConvolutionLayer(nn.Module):
    '''
        图卷积层:Lsym*X*W
            其中 Lsym表示正则化图拉普拉斯矩阵, X为输入特征, W为权重矩阵, X'表示输出特征;
            *表示矩阵乘法
    '''
    def __init__(self, input_dim, output_dim, use_bias=True):
        #初始化, parameters: input_dim-->输入维度, output_dim-->输出维度, use_bias-->是否使用偏置项, boolean
        super(GraphConvolutionLayer,self).__init__()
        self.input_dim=input_dim
        self.output_dim=output_dim
        self.use_bias=use_bias #是否加入偏置, 默认为True
        self.weight=nn.Parameter(torch.Tensor(input_dim, output_dim))#权重矩阵为可训练参数
        if self.use_bias==True: #加入偏置
            self.bias=nn.Parameter(torch.Tensor(output_dim)) 
        else: #设置偏置为空
            self.register_parameter('bias', None)
        self.reset_parameters()
    def reset_parameters(self):
        #初始化参数
        stdv = 1. / math.sqrt(self.weight.size(1))
        self.weight.data.uniform_(-stdv, stdv)#使用均匀分布U(-stdv,stdv)初始化权重Tensor
        if self.bias is not None:
            self.bias.data.uniform_(-stdv, stdv)
    def forward(self, adj, input_feature):
        #前向传播, parameters: adj-->邻接矩阵(输入为正则化拉普拉斯矩阵), input_future-->输入特征矩阵
        temp=torch.mm(input_feature, self.weight)#矩阵乘法, 得到X*W
        output_feature=torch.sparse.mm(adj, temp)#由于邻接矩阵adj为稀疏矩阵, 采用稀疏矩阵乘法提高计算效率, 得到Lsym*temp=Lsym*X*W
        if self.use_bias==True: #若设置了偏置, 加入偏置项
            output_feature+=self.bias
        return output_feature

定义两层的GCN网络模型:

class GCN(nn.Module):
    '''
        定义两层GCN网络模型
    '''
    def __init__(self, input_dim, hidden_dim, output_dim):
        #初始化, parameters: input_dim-->输入维度, hidden_dim-->隐藏层维度, output_dim-->输出维度
        super.__init__(GCN, self).__init__()
        #定义两层图卷积层
        self.gcn1=GraphConvolutionLayer(input_dim, hidden_dim)
        self.gcn2=GraphConvolutionLayer(hidden_dim, output_dim)
    def forward(self, adj, feature):
        #前向传播, parameters: adj-->邻接矩阵, feature-->输入特征
        x=F.relu(self.gcn1(adj, feature))
        x=self.gcn2(adj, x)
        return F.log_softmax(x, dim=1)

以上就是GCN图卷积神经网络原理及代码解析的详细内容!


Tags in this post...

Python 相关文章推荐
Python生成密码库功能示例
May 23 Python
Python实现GUI学生信息管理系统
Apr 05 Python
python 2.7.14安装图文教程
Apr 08 Python
Python3多进程 multiprocessing 模块实例详解
Jun 11 Python
opencv python 傅里叶变换的使用
Jul 21 Python
详解python的sorted函数对字典按key排序和按value排序
Aug 10 Python
Django之模型层多表操作的实现
Jan 08 Python
Pytorch中accuracy和loss的计算知识点总结
Sep 10 Python
python 截取XML中bndbox的坐标中的图像,另存为jpg的实例
Mar 10 Python
浅谈JupyterNotebook导出pdf解决中文的问题
Apr 22 Python
详解torch.Tensor的4种乘法
Sep 03 Python
浅谈Python实现opencv之图片色素的数值运算和逻辑运算
Jun 23 Python
Python+Pillow+Pytesseract实现验证码识别
May 11 #Python
Python 绘制多因子柱状图
PyCharm 配置SSH和SFTP连接远程服务器
May 11 #Python
Python 文字识别
May 11 #Python
解决Python保存文件名太长OSError: [Errno 36] File name too long
May 11 #Python
Python 匹配文本并在其上一行追加文本
May 11 #Python
Python 一键获取电脑浏览器的账号密码
May 11 #Python
You might like
PHP数据库操作之基于Mysqli的数据库操作类库
2014/04/19 PHP
Codeigniter实现处理用户登录验证后的URL跳转
2014/06/12 PHP
Linux系统中为php添加pcntl扩展
2016/08/28 PHP
js图片向右一张张滚动效果实例代码
2013/11/23 Javascript
分享20个提升网站界面体验的jQuery插件
2014/12/15 Javascript
JQuery的ON()方法支持的所有事件罗列
2015/02/28 Javascript
JavaScript实现信用卡校验方法
2015/04/07 Javascript
JavaScript中判断两个字符串是否相等的方法
2015/07/07 Javascript
JavaScript学习笔记之数组的增、删、改、查
2016/03/23 Javascript
功能强大的Bootstrap效果展示(二)
2016/08/03 Javascript
JavaScript中removeChild 方法开发示例代码
2016/08/15 Javascript
Javascript实现从小到大的数组转换成二叉搜索树
2017/06/13 Javascript
node koa2实现上传图片并且同步上传到七牛云存储
2017/07/31 Javascript
JavaScript实现为事件句柄绑定监听函数的方法分析
2017/11/14 Javascript
jQuery实现的监听导航滚动置顶状态功能示例
2018/07/23 jQuery
vue导航栏部分的动态渲染实例
2019/11/01 Javascript
[00:32]2018DOTA2亚洲邀请赛Liquid出场
2018/04/03 DOTA
[32:07]完美世界DOTA2联赛PWL S3 LBZS vs Rebirth 第一场 12.16
2020/12/17 DOTA
python分块读取大数据,避免内存不足的方法
2018/12/10 Python
Python 做曲线拟合和求积分的方法
2018/12/29 Python
python运行时强制刷新缓冲区的方法
2019/01/14 Python
基于Python打造账号共享浏览器功能
2019/05/30 Python
python django 原生sql 获取数据的例子
2019/08/14 Python
python图片二值化提高识别率代码实例
2019/08/24 Python
Keras Convolution1D与Convolution2D区别说明
2020/05/22 Python
Pycharm中使用git进行合作开发的教程详解
2020/11/17 Python
python源文件的字符编码知识点详解
2021/03/04 Python
详解通过focusout事件解决IOS键盘收起时界面不归位的问题
2019/07/18 HTML / CSS
实习生自荐信范文分享
2013/11/27 职场文书
小学生综合素质评语
2014/04/23 职场文书
汽车运用工程专业求职信
2014/06/18 职场文书
绿色小区申报材料
2014/08/22 职场文书
初婚未育证明样本
2014/10/24 职场文书
2014年留守儿童工作总结
2014/12/10 职场文书
北京大学中文系教授推荐的10本小说
2019/08/08 职场文书
一文读懂navicat for mysql基础知识
2021/05/31 MySQL