torch_geometric.nn.global_mean_pool的作用，并举个例子

`torch_geometric.nn.global_mean_pool`是PyTorch Geometric库中用于图神经网络（Graph Neural Networks，简称GNNs）的一种全局池化层。它计算每个节点特征向量的平均值，生成一个新的全局表示向量，这个向量反映了整个图的整体信息。这意味着该层主要用于提取图数据的全局上下文特征。

例如，在社交网络分析中，如果每个节点有其属性（如用户的年龄、性别等），我们可以对这些节点的特征向量求平均，得到一个整体的图描述，可以用来预测整个社区的行为或者情感倾向。

import torch
from torch_geometric.data import Data
from torch_geometric.nn import GlobalMeanPool

# 假设我们有一个Data对象data，其中x是节点特征矩阵，大小为[N, F]
x = data.x
graph_size = x.size(0)

# 使用global_mean_pool对所有节点的特征进行平均
out = GlobalMeanPool()(x)
out_size = out.size()  # 出口特征向量的维度会变成[F]

print("原始特征维度：", x.shape)
print("全局平均池化后的特征维度：", out.shape)

相关问题

torch_geometric.nn.global_mean_pool

`torch_geometric.nn.global_mean_pool`是PyTorch Geometric库中用于图神经网络的一个函数，主要用于对图数据进行全局池化操作。全局平均池（Global Mean Pooling）在图卷积网络（Graph Convolutional Networks，GCNs）中非常常见，它的作用是在所有节点特征上取平均值，生成一个单一的全局图特征向量，代表了整个图的全局信息。

这个函数的基本用法如下：

import torch
from torch_geometric.nn import global_mean_pool

# 假设我们有张量x (节点特征) 和 edge_index (边连接)
x = torch.randn(n_nodes, node_features_dim)
pool_x = global_mean_pool(x, edge_index)

这里的`n_nodes`是图中节点的数量，`node_features_dim`是每个节点特征向量的维度。`global_mean_pool(x, edge_index)`返回的是一个新的张量，其形状为`(1, node_features_dim)`，表示图的整体特征。