高级API、异构图：Google 发布TFGNN 在TensorFlow 中创建图神经网络

大家好，今天给各位分享高级API、异构图：Google 发布TFGNN 在TensorFlow 中创建图神经网络的一些知识，其中也会对进行解释，文章篇幅可能偏长，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在就马上开始吧！

此前，TensorFlow GNN 的早期版本已在Google 的各种应用中使用，包括垃圾邮件和异常检测、流量估计、YouTube 内容标记等。特别是，考虑到Google 数据的种类繁多，该库在设计时就考虑到了异构图。

项目地址：https://github.com/tensorflow/gnn

为什么使用GNN？

无论是在现实世界中还是在我们设计的系统中，图表无处不在。一组物体或不同的人以及他们之间的联系通常可以使用图表来描述。通常，机器学习中的数据是结构化的或关系性的，因此也可以用图形来描述。尽管GNN 的基础研究已经存在了几十年，但直到最近几年才取得一些进展，包括流量预测、假新闻检测、疾病传播建模、物理模拟以及理解分子为何有气味。

图可以对不同类型数据的关系进行建模，包括网页（左）、社交关系（中）或分子（右）。

如何定义图表？简而言之，图表示一组实体（节点或顶点）之间的关系（边）。我们可以描述每个节点、边或整个图，从而在图的每个部分存储信息。此外，我们可以为图的边指定方向性来描述信息或信息流。

GNN 可用于回答有关这些图的多个特征问题。 GNN 可用于节点级任务，对图的节点进行分类并预测图中的分区和相关性，类似于图像分类或分割。最后，我们可以在边缘级别使用GNN 来发现实体之间的连接。

TensorFlow GNN

TF-GNN (TensorFlow GNN) 提供了在TensorFlow 中实现GNN 模型的构建块。除了建模API 之外，该库还提供了用于处理图数据的可用工具，包括基于张量的图数据结构、数据处理管道以及供用户快速入门的几个示例模型。

TF-GNN 工作流程组件

TF-GNN 库的初始版本包含许多适合初学者和有经验的用户的实用程序和功能，包括：

用于创建可轻松与其他类型模型组合的GNN 模型的高级keras 风格API。 GNN经常与排序、深度检索结合使用或与其他类型的模型（图像、文本等）混合使用； GraphTensor是一种复合张量类型，可以用来保存图数据，也可以批量处理，并且有可用的图操作示例程序； GraphTensor结构操作库：对节点和边进行各种有效的广播和池化操作，并提供相关操作的工具；标准烘焙的卷积库，机器学习工程师和研究人员可以轻松扩展；先进的API可以帮助工程师快速构建GNN模型，而无需担心细节；模型可以从图训练数据编码中提取各种特征，以及用于将这些数据解析为数据结构的库。例子

以下示例使用TF-GNN Keras API 构建一个模型，根据用户观看的内容和喜欢的内容向用户推荐电影。

此任务是使用ConvGNNBuilder 方法指定边类型和节点配置来完成的，即在边上使用WeightedSumConvolution（定义如下）：

import tensorflow as tf import tensorflow_gnn as tfgnn # 模型超参数： h_dims={'user': 256, 'movie': 64, 'genre': 128} # 模型构建器初始化： gnn=tfgnn.keras.ConvGNNBuilder( lambda edge_set_name Weighted:求和卷积( ), lambda node_set_name: tfgnn.keras.layers.NextStateFromConcat( tf.keras.layers.Dense(h_dims[node_set_name])) ) # 两轮消息传递到目标节点sets: model=tf.keras.models.Sequential([ gnn . Convolve({'genre'}), # 将消息从电影发送到流派gnn.Convolve({'user'}), # 将消息从电影和流派发送到用户tfgnn.keras.layers.Readout(node_set_name='user' ) , tf.keras.layers.Dense(1) ]) 有时我们希望GNN 性能更强大。例如，在前面的例子中，我们可能希望模型在推荐电影的同时给出权重。下面的代码片段定义了具有自定义图卷积和加权边的更高级的GNN。下面的代码定义了WeightedSumConvolution类，它将边值池化为所有边的权重之和：

class WeightedSumConvolution(tf.keras.layers.Layer): '''源节点状态的加权和。''' def call(self, graph: tfgnn.GraphTensor, edge_set_name: tfgnn.EdgeSetName) -tfgnn.Field: messages=tfgnn.broadcast_node_to_edges( graph, edge_set_name, tfgnn.SOURCE, feature_name=tfgnn.DEFAULT_STATE_NAME) 权重=graph.edge_sets[edge_set_name]['weight'] tfgnn.TARGET, reduce_type='sum', feature_value=weighted_messages) return pooled_messages 请注意，即使编写卷积时只考虑源节点和目标节点，TF-GNN 仍然确保它适用并可以无缝处理异构图（具有各种类型的节点和边）。

安装

这是目前安装tensorflow_gnn的唯一方法。强烈建议使用虚拟环境。

克隆tensorflow_gnn：

>>git clone https://github.com/tensorflow/gnn.git tensorflow_gnn 安装TensorFlow：

>>pip install tensorflow 安装Bazel：Bazel 需要构建包的源代码。安装步骤请参考：https://docs.bazel.build/versions/main/install.html

安装GraphViz：该软件包使用GraphViz作为可视化工具，安装因操作系统而异，例如Ubuntu：

>>sudo apt-get install graphviz graphviz-dev 安装tensorflow_gnn：

>>cd tensorflow_gnn python3 -m pip install 。参考链接：