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三元运算实现方法
Jan 12 Python
Python Requests安装与简单运用
Apr 07 Python
基于Python的文件类型和字符串详解
Dec 21 Python
Python cookbook(数据结构与算法)保存最后N个元素的方法
Feb 13 Python
python爬虫框架scrapy实现模拟登录操作示例
Aug 02 Python
python 判断矩阵中每行非零个数的方法
Jan 26 Python
把django中admin后台界面的英文修改为中文显示的方法
Jul 26 Python
简单了解python filter、map、reduce的区别
Jan 14 Python
python计算波峰波谷值的方法(极值点)
Feb 18 Python
python tkinter之 复选、文本、下拉的实现
Mar 04 Python
python logging.info在终端没输出的解决
May 12 Python
python和c语言哪个更适合初学者
Jun 22 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
怎样使用php与jquery设置和读取cookies
2013/08/08 PHP
PHP的构造方法,析构方法和this关键字详细介绍
2013/10/22 PHP
php 使用array函数实现分页
2015/02/13 PHP
PHP函数checkdnsrr用法详解(Windows平台用法)
2016/03/21 PHP
PHP Swoole异步MySQL客户端实现方法示例
2019/10/24 PHP
jquery使用jxl插件导出excel示例
2014/04/14 Javascript
Jquery 垂直多级手风琴菜单附源码下载
2015/11/17 Javascript
Bootstrap优化站点资源、响应式图片、传送带使用详解3
2016/10/14 Javascript
使用BootStrap和Metroui设计的metro风格微网站或手机app界面
2016/10/21 Javascript
js调用父框架函数与弹窗调用父页面函数的简单方法
2016/11/01 Javascript
JavaScript实现图片瀑布流和底部刷新
2017/01/02 Javascript
JS使用正则截取两个字符串之间的字符串实现方法详解
2017/01/06 Javascript
浅谈React的最大亮点之虚拟DOM
2018/05/29 Javascript
详解在React.js中使用PureComponent的重要性和使用方式
2018/07/10 Javascript
浅谈从React渲染流程分析Diff算法
2018/09/08 Javascript
vue实现拖拽效果
2019/12/23 Javascript
vue中对象数组去重的实现
2020/02/06 Javascript
原生JS与JQ获取元素的区别详解
2020/02/13 Javascript
JavaScript鼠标拖拽事件详解
2020/04/03 Javascript
vue与iframe之间的信息交互的实现
2020/04/08 Javascript
vue登录页实现使用cookie记住7天密码功能的方法
2021/02/18 Vue.js
[03:17]2016完美“圣”典风云人物:冷冷专访
2016/12/08 DOTA
[01:10:24]DOTA2-DPC中国联赛 正赛 VG vs Aster BO3 第一场 2月28日
2021/03/11 DOTA
python 实现归并排序算法
2012/06/05 Python
Python编程中实现迭代器的一些技巧小结
2016/06/21 Python
Django 使用logging打印日志的实例
2018/04/28 Python
python的等深分箱实例
2019/11/22 Python
python环境下安装opencv库的方法
2020/03/05 Python
Django视图类型总结
2021/02/17 Python
Html5监听手机摇一摇事件的实现
2019/11/07 HTML / CSS
应届生求职信写作技巧
2013/10/24 职场文书
普师专业个人自荐信范文
2013/11/26 职场文书
白酒业务员岗位职责
2013/12/27 职场文书
语文教研活动总结
2014/07/02 职场文书
爱护公共设施演讲稿
2014/09/13 职场文书
2016年社会主义核心价值观心得体会
2016/01/21 职场文书