gcn嵌入代码

以下是一个简单的示例，演示如何使用Graph Convolutional Networks (GCNs)进行节点嵌入：

import torch.nn as nn
import torch.nn.functional as F

class GCNLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super(GCNLayer, self).__init__()
        self.linear = nn.Linear(in_features, out_features)
    
    def forward(self, adj_matrix, node_features):
        # 计算度矩阵
        deg_matrix = torch.sum(adj_matrix, dim=1)
        # 根据度矩阵归一化邻接矩阵
        norm_adj_matrix = adj_matrix / torch.sqrt(deg_matrix.unsqueeze(1)) / torch.sqrt(deg_matrix.unsqueeze(0))
        # 执行GCN层的线性变换
        out = self.linear(norm_adj_matrix @ node_features)
        # 应用ReLU激活函数
        out = F.relu(out)
        return out

class GCNEncoder(nn.Module):
    def __init__(self, in_features, hidden_features, out_features):
        super(GCNEncoder, self).__init__()
        self.layer1 = GCNLayer(in_features, hidden_features)
        self.layer2 = GCNLayer(hidden_features, out_features)
    
    def forward(self, adj_matrix, node_features):
        out = self.layer1(adj_matrix, node_features)
        out = self.layer2(adj_matrix, out)
        return out

在这个示例中，我们定义了两个GCN层，每个层都由一个线性变换和ReLU激活函数组成。在编码器中，我们将两个GCN层链接在一起，以生成最终的节点嵌入。在前向传递过程中，我们首先通过度矩阵归一化邻接矩阵，然后将其与节点特征相乘，以获得节点表示。最后，我们应用ReLU激活函数来增强表示能力。