哈尔滨网站建设培训学校,郑州做网站易云巢,外链发布工具下载,成品网站速成网站文章目录GAT代码实现【PyGAT】GraphAttentionLayer【一个图注意力层实现】用上面实现的单层网络测试加入Multi-head机制的GAT对数据集Cora的处理csr_matrix()处理稀疏矩阵encode_onehot()对label编号build graph邻接矩阵构造GAT的推广GAT
题#xff1a;Graph Attention Netwo…
文章目录GAT代码实现【PyGAT】GraphAttentionLayer【一个图注意力层实现】用上面实现的单层网络测试加入Multi-head机制的GAT对数据集Cora的处理csr_matrix()处理稀疏矩阵encode_onehot()对label编号build graph邻接矩阵构造GAT的推广GAT
题Graph Attention Networks 摘要 提出了图形注意网络(GAT) 这是一种基于图结构数据的新型神经网络结构利用掩蔽的自我注意层来解决基于图卷积或其近似的先前方法的缺点。通过叠加层节点能够参与其邻域的特征我们能够(隐式地)为邻域中的不同节点指定不同的权重而不需要任何代价高昂的矩阵操作(如反演) 或者依赖于预先知道图的结构。通过这种方法我们同时解决了基于谱的图形神经网络的几个关键问题并使我们的模型容易地适用于归纳和转导问题。我们的 GAT 模型已经实现或匹配了四个已建立的转导和归纳图基准的最新结果: CoraCiteseer 和 Pubmed 引用网络数据集以及protein-protein interaction dataset(其中测试图在训练期间保持不可见)。
在Paper with code 网址可找到对应论文和github源码原论文使用TensorFlow实现本篇主要对Pytorch版本的 PyGAT附详细注释帮助理解和测试。 GitHUb: keras版本实现 Pytorch版本实现 PyGAT 截图及下文代码注释参考自视频GAT详解及代码实现 视频中的eij的实现与源码不同视频中是先拼接两个W再与a乘 源码在_prepare_attentional_mechanism_input()函数中先分别与a乘再拼接。
代码实现【PyGAT】
在PyGAT
layers.py中定义Simple GAT layer实现GraphAttentionLayer和Sparse version GAT layer实现SpGraphAttentionLayer。models.py 实现两个版本加入Multi-head机制trains.py 使用model定义的GAT构建模型进行训练使用cora数据集
GraphAttentionLayer【一个图注意力层实现】
class GraphAttentionLayer(nn.Module):Simple GAT layer, similar to https://arxiv.org/abs/1710.10903def __init__(self, in_features, out_features, dropout, alpha, concatTrue):super(GraphAttentionLayer, self).__init__()self.dropout dropoutself.in_features in_features#结点向量的特征维度self.out_features out_features#经过GAT之后的特征维度self.alpha alpha#dropout参数self.concat concat#LeakyReLU参数# 定义可训练参数即论文中的W和aself.W nn.Parameter(torch.empty(size(in_features, out_features)))nn.init.xavier_uniform_(self.W.data, gain1.414)# xavier初始化self.a nn.Parameter(torch.empty(size(2*out_features, 1)))nn.init.xavier_uniform_(self.a.data, gain1.414)# xavier初始化# 定义leakyReLU激活函数self.leakyrelu nn.LeakyReLU(self.alpha)def forward(self, h, adj):adj图邻接矩阵维度[N,N]非零即一h.shape: (N, in_features), self.W.shape:(in_features,out_features)Wh.shape: (N, out_features)Wh torch.mm(h, self.W) # 对应eij的计算公式e self._prepare_attentional_mechanism_input(Wh)#对应LeakyReLU(eij)计算公式zero_vec -9e15*torch.ones_like(e)#将没有链接的边设置为负无穷attention torch.where(adj 0, e, zero_vec)#[N,N]# 表示如果邻接矩阵元素大于0时则两个节点有连接该位置的注意力系数保留# 否则需要mask设置为非常小的值因为softmax的时候这个最小值会不考虑attention F.softmax(attention, dim1)# softmax形状保持不变[N,N]得到归一化的注意力全忠attention F.dropout(attention, self.dropout, trainingself.training)# dropout,防止过拟合h_prime torch.matmul(attention, Wh)#[N,N].[N,out_features][N,out_features]# 得到由周围节点通过注意力权重进行更新后的表示if self.concat:return F.elu(h_prime)else:return h_primedef _prepare_attentional_mechanism_input(self, Wh):# Wh.shape (N, out_feature)# self.a.shape (2 * out_feature, 1)# Wh12.shape (N, 1)# e.shape (N, N)# 先分别与a相乘再进行拼接Wh1 torch.matmul(Wh, self.a[:self.out_features, :])Wh2 torch.matmul(Wh, self.a[self.out_features:, :])# broadcast adde Wh1 Wh2.Treturn self.leakyrelu(e)def __repr__(self):return self.__class__.__name__ ( str(self.in_features) - str(self.out_features) )
用上面实现的单层网络测试
x torch.randn(6,10)
adjtorch.tensor([[0,1,1,0,0,0],[1,0,1,0,0,0],[1,1,0,1,0,0],[0,0,1,0,1,1],[0,0,0,1,0,0,],[0,0,0,1,1,0]])
my_gat GraphAttentionLayer(10,5,0.2,0.2)
print(my_gat(x,adj))输出
tensor([[-0.2965, 2.8110, -0.6680, -0.9643, -0.9882],[ 0.0000, 0.0000, 0.0000, 0.0000, 0.0000],[-0.4981, -0.7515, 1.1159, 0.3546, 1.3592],[ 0.4679, 1.7208, 0.3084, -0.5331, -0.1291],[-0.4375, -0.8778, 1.1767, -0.5869, 1.5154],[-0.2164, -0.5897, 0.4988, -0.3125, 0.6423]], grad_fnEluBackward)加入Multi-head机制的GAT
用不同head捕捉不同特征使模型有更好的拟合能力。
class GAT(nn.Module):def __init__(self, nfeat, nhid, nclass, dropout, alpha, nheads):Dense version of GAT.super(GAT, self).__init__()self.dropout dropout# 加入Multi-head机制self.attentions [GraphAttentionLayer(nfeat, nhid, dropoutdropout, alphaalpha, concatTrue) for _ in range(nheads)]for i, attention in enumerate(self.attentions):self.add_module(attention_{}.format(i), attention)self.out_att GraphAttentionLayer(nhid * nheads, nclass, dropoutdropout, alphaalpha, concatFalse)def forward(self, x, adj):x F.dropout(x, self.dropout, trainingself.training)x torch.cat([att(x, adj) for att in self.attentions], dim1)x F.dropout(x, self.dropout, trainingself.training)x F.elu(self.out_att(x, adj))return F.log_softmax(x, dim1)
对数据集Cora的处理 数据集中两个文件cites比如上图11行编号25和编号1114331的文章 content文件如下图每篇文章的id、features及类别
csr_matrix()处理稀疏矩阵
utils.py中对数据进行的处理
#数据是稀疏的csr_matrix操作从行开始将1的位置取出来,对数据进行压缩
features sp.csr_matrix(idx_features_labels[:, 1:-1], dtypenp.float32)
labels encode_onehot(idx_features_labels[:, -1])encode_onehot()对label编号
有7个类别通过classes_dict是7*7的对角阵把每个类别映射成不同向量对所有label进行编号再将编号转换为one_hot向量
def encode_onehot(labels):# The classes must be sorted before encoding to enable static class encoding.# In other words, make sure the first class always maps to index 0.classes sorted(list(set(labels)))classes_dict {c: np.identity(len(classes))[i, :] for i, c in enumerate(classes)}labels_onehot np.array(list(map(classes_dict.get, labels)), dtypenp.int32)return labels_onehotbuild graph
见注释
# build graphidx np.array(idx_features_labels[:, 0], dtypenp.int32)#获取所有文章ididx_map {j: i for i, j in enumerate(idx)}#按文章数目对id重新映射# 读取数据集中文章和文章直接的引用关系edges_unordered np.genfromtxt({}{}.cites.format(path, dataset), dtypenp.int32)# 根据idx_map,将文章引用关系也重新映射edges np.array(list(map(idx_map.get, edges_unordered.flatten())), dtypenp.int32).reshape(edges_unordered.shape)adj sp.coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])), shape(labels.shape[0], labels.shape[0]), dtypenp.float32)# build symmetric adjacency matrix 生成邻接矩阵adj adj adj.T.multiply(adj.T adj) - adj.multiply(adj.T adj)features normalize_features(features)adj normalize_adj(adj sp.eye(adj.shape[0]))
邻接矩阵构造
csr_matrix()只记录了011,忽略了101。所以需要coo_matrix()操作才能还原出无向图的邻接矩阵
本文的一些代码注释及截图还可见视频
一个拓展
GAT的推广
GAT的推广 GAT仅仅是应用在了单层图结构网络上我们是否可以将它推广到多层网络结构呢
这里我们假设一个有N层网络的结构每层网络都定义了相同的节点但是节点之间的关系有所差异。举一个简单的例子假设有一个用户关系型网络每层网络的节点都被定义成了网络中的用户网络的第一层视图的关系可以定义为两个用户之间是否具有好友关系网络的第二层视图可以定义为你评论过我的动态网络的第三层视图可以定义为你转发过我的动态第四层关系可以定义为你at过我等等。
通过这样的定义我们就完成了一个多层网络的构建他们共享相同的节点但又分别具有不同的邻边如果我们分别处理每一层视图视图然后将他们得出的节点表示单纯相加的话就可能会失去不同视图之间的协作关系降低分类预测的精度。
基于以上观点我们提出了一种新的方法首先在每一层单视图中应用GAT进行学习并计算出每层视图的节点表示。之后再不同视图之间引入attention机制来让网络自行学习不同视图的权重。之后根据学习的权重将各个视图加权相加得到全局节点表示并进行后续的诸如节点表示链接预测等任务。
同时因为不同视图共享同样的节点即使每一层视图都表示了不同的节点关系最终得到的每一层的节点嵌入表示应具有一定的相关性。基于以上理论我们在每层GAT的网络参数间引入正则化项来约束参数使其向互相相近的方向学习。大致的网络流程图如下 这部分来源于 链接https://www.jianshu.com/p/d5d366ba1a57 来源简书
