GCN模型单图内所有节点输出相同问题求助

你的问题核心是模型与训练流程存在多处硬编码、参数传递错误，导致模型无法正确学习节点特征差异，以下是具体问题及修复方案：

1. 模型Forward方法未接收输入数据，硬编码全局变量 #

你的Net类__init__依赖全局data对象获取特征维度和类别数，forward方法直接调用全局data，完全没用到训练时传入的每张图的data。这会导致模型始终处理初始化时的单张图，训练时生成的新数据根本没被使用，最终输出无差异。

修复代码：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class Net(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(Net, self).__init__()
        self.conv1 = GCNConv(in_channels, 16)
        self.conv2 = GCNConv(16, out_channels)

    def forward(self, data):
        x, edge_index, edge_weight = data.x, data.edge_index, data.edge_weight
        x = F.relu(self.conv1(x, edge_index, edge_weight=edge_weight))
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index, edge_weight=edge_weight)
        return F.log_softmax(x, dim=1)

# 初始化模型时传入固定维度（你的节点特征是64维，类别数3）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net(in_channels=64, out_channels=3).to(device)

2. 未利用Edge_weight边权重 #

你的Data对象包含edge_weight，但默认GCNConv不会使用该参数，导致所有边的聚合权重相同，节点特征经过聚合后容易趋同。修复时需在卷积层调用时显式传入edge_weight（如上代码所示）。

3. 训练循环中的参数错误 #

• 模型实例名称不匹配：训练时调用GCNmodel(data)，但你的模型实例是model，应改为model(data)。
• Target未关联当前图的标签：训练代码中的target未定义，应直接使用当前data的y，即F.nll_loss(output, data.y)。
• 每次迭代需将data移至设备：build_graph生成的data要转到对应GPU/CPU设备。

修复后的训练循环：

optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 补充优化器初始化
epoches = 100 # 补充epoch数示例

for epoch in range(epoches):
    total_loss = 0
    for img_path in img_paths:
        data = build_graph(img_path).to(device) # 将生成的图移至设备
        model.train()
        optimizer.zero_grad()
        output = model(data) # 使用正确的模型实例
        loss = F.nll_loss(output, data.y) # 使用当前图的标签
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    print(f'Epoch {epoch+1}, Loss: {total_loss/len(img_paths):.4f}')

4. 输出为负数的说明 #

F.log_softmax的输出本身就是负数（因为softmax输出是(0,1)区间，取对数后为负），这是正常现象，只要模型训练收敛后，不同节点的log概率会呈现差异。

内容的提问来源于stack exchange，提问作者user9690322