GNN github代碼核心解析 & Trick

原版GCN

• full-batch

• transductive learning: 訓練階段與測試階段都基於同樣的圖結構（不能改變鄰接矩陣adj）

• 需要完整圖結構

• 資料：

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

原版GAT

• full-batch

• 對相鄰節點的注意力（權重W）不同

• Inductive learning

  • Global graph attention: 丟掉圖結構效果差
  • Mask graph attention

• 參考資料：

  • 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：:訓練階段與測試階段需要處理的graph不同。通常是訓練階段只是在子圖（subgraph）上進行，測試階段需要處理未知的頂點。（unseen node）: training的時候不需要val\test的圖結構（鄰接矩陣adj）

  • 在處理數據時分別保存train_index\val_index\test_index，實現數據集的分割。併爲後續鄰接矩陣adj的分割提供了依據

• 通過from torch.utils.data import DataLoader實現batch操作（尤其是實現了鄰接矩陣adj的三維）

  • 每一個batch下：通過BFS-sample，對當前節點進行bfs，找到相鄰的所有節點，再遞進到下一層。
  • 同一個batch下的節點有相同的label

• accuracy計算: 每個batch選擇1個節點作爲valid與label進行計算

DPGN: Distribution Propagation Graph Network for Few-shot Learning

• 使用from collections import OrderedDict 存儲參數

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