如何使用Python Spektral库DisjointLoader为全连接网络而非GIN喂数据

问题根源 #

你遇到的维度不匹配是图分类任务的特征层级差异导致的：

• DisjointLoader返回的x是batch内所有图的节点拼接结果，你的batch大小为7（每张图18个节点），所以x的维度是[7*18=126, 7]，对应126个节点的7维属性
• 你直接对节点维度做全连接计算，输出维度为[126, 类别数]，但图分类任务的标签是每张图对应1个，维度为[7, 类别数]，二者维度不匹配触发报错

解决方案 #

你需要把节点级特征聚合为图级特征，再输入全连接层做计算，有两种常用实现方式：

方式1：节点维度映射+全局池化

先用全连接对每个节点特征做维度变换，再用Spektral自带的全局池化层按图索引i聚合同一张图的所有节点特征，得到单图的表征向量后再做分类：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Dropout
from spektral.layers import GlobalAvgPool

class FCN0(Model):
    def __init__(self, channels, outputs):
        super().__init__()
        self.dense1 = Dense(channels, activation="relu")
        self.dropout = Dropout(0.5)
        self.dense2 = Dense(channels*3, activation="relu")
        self.pool = GlobalAvgPool()
        # 分类任务输出层激活函数需要对应调整：二分类用sigmoid，多分类用softmax，回归用linear
        self.dense3 = Dense(outputs, activation="softmax")

    def call(self, inputs):
        x, a, i = inputs
        x = self.dense1(x)
        x = self.dropout(x)
        x = self.dense2(x)
        # 按图索引i聚合节点特征，得到图级表征
        x = self.pool([x, i])
        return self.dense3(x)

方式2：单图特征展平后输入全连接

如果要实现完全不利用图结构、纯特征拼接的MLP基线，你可以先把每个图的18个节点特征展平为单个一维向量，再做全连接计算，和GIN的对比更严谨：

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Dropout

class FCN0(Model):
    def __init__(self, channels, outputs):
        super().__init__()
        self.dense1 = Dense(channels, activation="relu")
        self.dropout = Dropout(0.5)
        self.dense2 = Dense(channels*3, activation="relu")
        self.dense3 = Dense(outputs, activation="softmax")

    def call(self, inputs):
        x, a, i = inputs
        # 按图索引重组节点特征
        batch_size = tf.reduce_max(i) + 1
        x = tf.scatter_nd(indices=i[:, None], updates=x, shape=(batch_size, 18, 7))
        # 每张图的节点特征展平为18*7=126维向量
        x = tf.reshape(x, (batch_size, -1))
        x = self.dense1(x)
        x = self.dropout(x)
        x = self.dense2(x)
        return self.dense3(x)

内容的提问来源于stack exchange，提问作者mindstorm84