### 使用 PyTorch 生成邻接矩阵 在图神经网络 (Graph Neural Network, GNN) 中，邻接矩阵是一个重要的组成部分，用于描述图中节点之间的连接关系。以下是使用 PyTorch 生成邻接矩阵的一种方法。 #### 邻接矩阵的定义 邻接矩阵 \( A \in \mathbb{R}^{n \times n} \)，其中 \( n \) 是图中的节点数量。如果两个节点之间有边相连，则对应的矩阵位置值为 1；如果没有边，则值为 0[^2]。 #### 示例代码 以下是一段基于 PyTorch 的代码示例，演示如何生成一个简单的邻接矩阵： ```python import torch # 定义节点数量和边的关系 num_nodes = 5 # 假设有 5 个节点 edges = [(0, 1), (1, 2), (2, 3), (3, 4), (4, 0)] # 边的列表 # 初始化邻接矩阵为全零矩阵 adj_matrix = torch.zeros((num_nodes, num_nodes)) # 设置对应的位置为 1 表示存在边 for edge in edges: i, j = edge adj_matrix[i, j] = 1 adj_matrix[j, i] = 1 # 如果是无向图，需双向赋值 print("邻接矩阵:") print(adj_matrix) ``` 这段代码首先初始化了一个大小为 \( n \times n \) 的零矩阵，然后根据给定的边列表更新矩阵中相应位置的值为 1。对于无向图，每条边都需要在其对称位置也设置为 1[^2]。 #### 归一化邻接矩阵 在某些情况下，可能需要对邻接矩阵进行归一化操作以便于后续计算。例如，在 GCN (Graph Convolutional Networks) 中常用的归一化形式如下： \[ \tilde{A} = D^{-\frac{1}{2}} (A + I) D^{-\frac{1}{2}} \] 其中 \( A \) 是原始邻接矩阵，\( I \) 是单位矩阵，\( D \) 是度矩阵（即对角线上存储每个节点的度）。下面是实现该公式的代码片段： ```python import numpy as np # 添加自环 adj_matrix += torch.eye(num_nodes) # 计算度矩阵 degree_matrix = torch.diag(torch.sum(adj_matrix, dim=1)**(-0.5)) normalized_adj_matrix = degree_matrix @ adj_matrix @ degree_matrix print("\n归一化后的邻接矩阵:") print(normalized_adj_matrix) ``` 这里先通过 `torch.eye` 函数为邻接矩阵加上自环，再计算度矩阵并完成最终的归一化操作[^1]。 ---