### 使用 PyTorch 实现 GCN 的代码示例 以下是基于 PyTorch 的简单图卷积网络 (GCN) 的实现。该代码实现了两个主要部分：定义 GCN 层以及构建完整的 GCN 模型。 #### 定义 GCN 层 GCN 层的核心思想是通过对邻接矩阵 \( A \) 和节点特征矩阵 \( X \) 进行线性变换和激活函数操作来更新节点的特征表示[^3]。 ```python import torch import torch.nn as nn import torch.nn.functional as F class GraphConvolution(nn.Module): """ Simple GCN layer, similar to https://arxiv.org/abs/1609.02907 """ def __init__(self, input_dim, output_dim, bias=True): super(GraphConvolution, self).__init__() self.weight = nn.Parameter(torch.FloatTensor(input_dim, output_dim)) if bias: self.bias = nn.Parameter(torch.FloatTensor(output_dim)) else: self.register_parameter('bias', None) self.reset_parameters() def reset_parameters(self): stdv = 1. / torch.sqrt(self.weight.size(1).float()) self.weight.data.uniform_(-stdv, stdv) if self.bias is not None: self.bias.data.uniform_(-stdv, stdv) def forward(self, input_features, adjacency_matrix): support = torch.mm(input_features, self.weight) output = torch.spmm(adjacency_matrix, support) if self.bias is not None: return output + self.bias else: return output ``` #### 构建完整的 GCN 模型 通过堆叠多个 GCN 层并加入非线性激活函数，可以构建更复杂的 GCN 模型[^2]。 ```python class GCNModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim, dropout_rate=0.5): super(GCNModel, self).__init__() self.gc1 = GraphConvolution(input_dim, hidden_dim) self.gc2 = GraphConvolution(hidden_dim, output_dim) self.dropout_rate = dropout_rate def forward(self, x, adj): x = F.relu(self.gc1(x, adj)) # 第一层 GCN 并应用 ReLU 激活函数 x = F.dropout(x, self.dropout_rate, training=self.training) # Dropout 防止过拟合 x = self.gc2(x, adj) # 第二层 GCN return F.log_softmax(x, dim=1) # 输出经过 softmax 处理后的概率分布 ``` #### 训练过程中的输入准备 为了训练上述模型，需要准备好以下两项数据： 1. **邻接矩阵** (\(A\))：描述图中节点之间的连接关系。 2. **节点特征矩阵** (\(X\))：每个节点对应的初始特征向量。 可以通过 `torch.sparse` 或其他方式加载稀疏矩阵作为邻接矩阵。 --- ### 注意事项 - 上述代码仅适用于小型静态图的数据集。对于大规模动态图，可能需要引入更加高效的计算框架或优化方法。 - 如果涉及时空图卷积网络（ST-GCN），则需进一步扩展模型架构以支持时间维度的操作[^1]。