GNN github代码核心解析 & Trick

原版GCN

• full-batch

• transductive learning: 训练阶段与测试阶段都基于同样的图结构（不能改变邻接矩阵adj）

• 需要完整图结构

• 资料：

  • https://github.com/tkipf/gcn/issues

原版GAT

• full-batch

• 对相邻节点的注意力（权重W）不同

• Inductive learning

  • Global graph attention: 丢掉图结构效果差
  • Mask graph attention

• 参考资料：

  • https://zhuanlan.zhihu.com/p/81350196?utm_source=wechat_session
  • https://blog.csdn.net/weixin_36474809/article/details/89401552
  • https://github.com/PetarV-/GAT

myGAT

• Inductive learning：:训练阶段与测试阶段需要处理的graph不同。通常是训练阶段只是在子图（subgraph）上进行，测试阶段需要处理未知的顶点。（unseen node）: training的时候不需要val\test的图结构（邻接矩阵adj）

  • 在处理数据时分别保存train_index\val_index\test_index，实现数据集的分割。并为后续邻接矩阵adj的分割提供了依据

• 通过from torch.utils.data import DataLoader实现batch操作（尤其是实现了邻接矩阵adj的三维）

  • 每一个batch下：通过BFS-sample，对当前节点进行bfs，找到相邻的所有节点，再递进到下一层。
  • 同一个batch下的节点有相同的label

• accuracy计算: 每个batch选择1个节点作为valid与label进行计算

DPGN: Distribution Propagation Graph Network for Few-shot Learning

• 使用from collections import OrderedDict 存储参数

config = OrderedDict()

config['dataset_name'] = 'mini-imagenet'
config['num_generation'] = 6
config['emb_size'] = 128
config['backbone'] = 'resnet12'
...
config['train_config'] = train_opt
config['eval_config'] = eval_opt