GCN代码复现

### 关于 Graph Convolutional Network (GCN) 的代码实现与复现教程 #### 使用 PyTorch 实现 GCN PyTorch 是一种流行的深度学习框架，其灵活性使得它成为实现 GCN 的理想工具之一。以下是一个基于 `tkipf/pygcn` 项目的简单 GCN 实现示例[^1]： ```python import torch import torch.nn as nn import torch.nn.functional as F from pygcn.layers import GraphConvolution class GCN(nn.Module): def __init__(self, nfeat, nhid, nclass, dropout): super(GCN, self).__init__() self.gc1 = GraphConvolution(nfeat, nhid) self.gc2 = GraphConvolution(nhid, nclass) self.dropout = dropout def forward(self, x, adj): x = F.relu(self.gc1(x, adj)) x = F.dropout(x, self.dropout, training=self.training) x = self.gc2(x, adj) return F.log_softmax(x, dim=1) # 假设我们有输入特征矩阵 X 和邻接矩阵 A X = ... # 输入特征矩阵 A = ... # 邻接矩阵 model = GCN(nfeat=X.shape[1], nhid=16, nclass=7, dropout=0.5) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) def train(): model.train() optimizer.zero_grad() output = model(X, A) loss_train = F.nll_loss(output[idx_train], labels[idx_train]) loss_train.backward() optimizer.step() def test(): model.eval() output = model(X, A) acc_test = accuracy(output[idx_test], labels[idx_test]) print(f'Test Accuracy: {acc_test.item()}') ``` 上述代码展示了如何通过定义两层图卷积操作来构建一个简单的 GCN 模型，并提供了训练和测试函数。 --- #### 使用 TensorFlow/Keras 实现 GCN TensorFlow 提供了一种更结构化的方式来实现 GCN。以下是使用 Keras API 构建的一个基本 GCN 模型[^2]： ```python import tensorflow as tf from tensorflow.keras import layers class GraphConvLayer(layers.Layer): def __init__(self, units, activation=None, **kwargs): super(GraphConvLayer, self).__init__() self.units = units self.activation = activation def build(self, input_shape): self.weight = self.add_weight( shape=(input_shape[-1], self.units), initializer="glorot_uniform", trainable=True, ) self.bias = self.add_weight( shape=(self.units,), initializer="zeros", trainable=True ) def call(self, inputs, adjacency_matrix): support = tf.matmul(inputs, self.weight) output = tf.sparse.sparse_dense_matmul(adjacency_matrix, support) return self.activation(output + self.bias) class GCNModel(tf.keras.Model): def __init__(self, hidden_units, num_classes, **kwargs): super(GCNModel, self).__init__(**kwargs) self.graph_conv_layer_1 = GraphConvLayer(hidden_units, activation='relu') self.graph_conv_layer_2 = GraphConvLayer(num_classes, activation='softmax') def call(self, inputs, adjacency_matrix): h = self.graph_conv_layer_1(inputs, adjacency_matrix) outputs = self.graph_conv_layer_2(h, adjacency_matrix) return outputs # 定义模型并编译 hidden_units = 16 num_classes = 7 model = GCNModel(hidden_units, num_classes) model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), loss='sparse_categorical_crossentropy', metrics=['accuracy']) ``` 此代码片段展示了一个自定义的图卷积层以及完整的 GCN 模型架构。 --- #### 图嵌入与其他扩展方法的关系 除了传统的 GCN 方法外，还有其他一些用于图数据表示的学习技术，例如 DeepWalk、Node2Vec 和 GraphSAGE 等[^3]。这些方法各有优劣，在实际应用中可以根据具体需求选择合适的算法组合。 DeepWalk 和 Node2Vec 主要依赖随机游走生成节点序列并通过词向量模型（如 Word2Vec）获得低维表示；而 GraphSAGE 则是一种归纳式学习方法，能够处理动态变化的大规模网络环境下的新样本预测问题。 相比之下，GCN 更适合静态图上的监督分类任务，因为它利用拉普拉斯平滑特性直接作用于整个图结构之上。 ---