PyTorch第三方库 2. GNN使用PyG的实现 _节点

目录
1. 预备知识
GNN
2. GNN使用PyG(第三方库)的实现
官方文档
1.
继承基类的
2. 节点/边表征以及图表征
node /edge level：
graph level：节点嵌入——节点表征——图池化——图的表征——线性变换
【‘sclub 数据集进行PyG小白入门实战】
1. 数据集
2. 数据集展示（使用可视化展示）
3. Graph网络定义
4. 输出特征展示
5. 训练模型（Semi-）
【一些PyG的数据类型】
Data 类（PyG的数据结构）
Batch类【详情可参考】
batch属性说明
3. 生化任务的一些第三方包
rdkit官方文档
1. 如何画分子&一些分子操作方法的引入
Some
2. 子结构搜索&分子指纹
4. 引用
?一些视频【强烈安利】
其他
1. 预备知识 GNN
GNN可以被抽象为和两个步骤，分为MPNN()和NLNN(Non-local)
(1)公式中h代表各个层中某个节点的隐向量，它是随机初始化的（或者加入原有节点特征）。a是某个节点i，对于他的邻居j们，通过某个聚合函数（sum、...）获得的消息（在代码中可能会使用. 做/运算）。
通过某个函数将(l-1)层的隐向量和(l)层的消息(消息传递框架中也叫做)，就能够获得(l)层的隐向量。
此外，仅仅获得每个节点的隐向量还不足以表征整个图，所以需要一个图读出()函数来将很多节点的隐向量表征为一个统一长度的向量表示。
这个可以是对各个节点的隐向量做max 、获得特征（graph 操作：在代码中可能会使用. 做/运算）；也可以是引入一个上帝节点连接每个图中的节点，取最后一层中上帝节点的隐向量作为表征；还可以是、Edge 、等方法。
广义角度上的理解，可参考此文：图机器学习——5.5 广义 GNN 框架：消息传递与聚合广小隶的博客-CSDN博客_gnn聚合5. 广义视角下的 GNN 框架GNN 层的本质为：消息（） + 聚合（）。在这一视角下的有许多不同的实例：GCN，，GAT等，下面我们将着重讲解这三个不同的实例。GNN 的总体框架分别包括：1）消息与 2）聚合，也就是一个网络层中的操作。3）层与层之间的连接4）图增广（Graph ）与 5）学习目标（）下面我们一部分一部分进行分析。1）消息（）图网络中的
~~~Rate-1--blog-.&-=..none-task-blog-2~~~Rate-1--blog-.&=1
2. GNN使用PyG(第三方库)的实现官方文档
—
，简称Pyg 。Pyg库包含易用的小批量加载器（mini-batch ）、多GPU支持、大量常见基准数据集和有用的变换，适用于任意图像、三维网格（3D mesh）和点云。基于构建，用于处理不规则结构化输入数据（如图、点云、流形）。除了一般的图形数据结构和处理方法外，它还包含从关系学习到3D数据处理等领域中最新发布的多种方法。通过利用稀疏 GPU 加速、提供专用的 CUDA 内核以及为不同大小的输入样本引入高效的小批量处理，实现了很高的数据吞吐量。
安装踩坑过后的友情提示：建议严格参考官方安装说明！！！
（踩坑解决详情见4的其他部分） - pyg-team/: Graphforfor .to pyg-team/byanon .

文章插图
1.
消息传递范式是一种聚合邻接节点信息（称为邻域聚合，节点的邻居的消息聚合到节点本身）来更新中心节点信息的范式，它将卷积算子推广到了不规则数据领域，实现了图与神经网络的连接。消息传递的详情可参考，讲得很清晰：图神经网络task2——消息传递的博客-CSDN博客这是目录1、消息传递范式2、基类2.1、MP类和基本方法3、实例3.1、三个函数的数学定义3.2、``实现步骤（1）向邻接矩阵添加自环边（2）对节点的特征矩阵进行线性变换（3）对变换后的节点特征进行标准化（4）归一化j中的节点特征（5）将节点特征求和参考文献1、消息传递范式消息传递是实现GNN的一种通用框架和编程范式。它从聚合与更新的角度归纳总结了多种GNN模型的实现，它的思路是：首先结合边的特征以及和边相连的两个节点的特征，得到