GGSNN代码示例

以下是一个简单的 GGSNN（Gated Graph Sequence Neural Network）代码示例，用于节点分类任务：

import torch
import torch.nn.functional as F

class GGSNN(torch.nn.Module):
    def __init__(self, input_dim, hidden_dim, num_classes):
        super(GGSNN, self).__init__()
        self.input_dim = input_dim
        self.hidden_dim = hidden_dim
        self.num_classes = num_classes
        self.linear1 = torch.nn.Linear(input_dim, hidden_dim)
        self.linear2 = torch.nn.Linear(hidden_dim, num_classes)
        self.gate = torch.nn.Linear(input_dim + hidden_dim, hidden_dim)
        
    def forward(self, x, adj):
        h = self.linear1(x)
        h = torch.relu(h)
        h = torch.cat((x, h), dim=1)
        gate = self.gate(h)
        gate = torch.sigmoid(gate)
        h = gate * h
        h = torch.sum(adj @ h, dim=1)
        h = self.linear2(h)
        h = F.log_softmax(h, dim=1)
        return h

该模型使用了两层全连接层和一个门控线性层。输入是邻接矩阵和节点特征矩阵。在前向传播过程中，首先将节点特征矩阵乘以第一层权重矩阵并应用 ReLU 激活函数。然后将原始节点特征矩阵和第一层的输出连接在一起，输入到门控线性层中。门控线性层的输出通过 sigmoid 函数进行门控，然后将门控结果应用于原始节点特征矩阵和第一层的输出的加权和。接下来，将邻接矩阵乘以加权和，然后将结果乘以第二层权重矩阵，并应用 log_softmax 激活函数。最终输出节点的分类结果。