---

本文已加入 🚀 Python AI 計劃，從一個Python小白到一個AI大神，你所需要的所有知識都在 這里 了。

---

本文定位是：圖神經網絡（GNN）教程，后續實戰案例文章將加入 《深度學習100例》

tf_geometric 是一個高效且友好的圖神經網絡庫，同時支持TensorFlow 1.x 和 2.x。

受到 usty1s/pytorch_geometric 項目的啟發，我們為TensorFlow構建了一個圖神經網絡（GNN）庫。
tf_geometric 同時提供面向對象接口（OOP API）和函數式接口（Functional API），你可以用它們來構建有趣的模型。

• Github主頁: https://github.com/CrawlScript/tf_geometric

• 論文: Efficient Graph Deep Learning in TensorFlow with tf_geometric

高效且友好的API

---

tf_geometric使用消息傳遞機制來實現圖神經網絡：相比于基于稠密矩陣的實現，它具有更高的效率；相比于基于稀疏矩陣的實現，它具有更友好的API。
除此之外，tf_geometric還為復雜的圖神經網絡操作提供了簡易優雅的API。
下面的示例展現了使用tf_geometric構建一個圖結構的數據，并使用多頭圖注意力網絡（Multi-head GAT）對圖數據進行處理的流程：

# coding=utf-8import numpy as npimport tf_geometric as tfgimport tensorflow as tfgraph = tfg.Graph(x=np.random.randn(5, 20), # 5個節點, 20維特征edge_index=[[0, 0, 1, 3],[1, 2, 2, 1]] # 4個無向邊)print("Graph Desc: \n", graph)graph.convert_edge_to_directed() # 預處理邊數據，將無向邊表示轉換為有向邊表示print("Processed Graph Desc: \n", graph)print("Processed Edge Index:\n", graph.edge_index)# 多頭圖注意力網絡（Multi-head GAT）gat_layer = tfg.layers.GAT(units=4, num_heads=4, activation=tf.nn.relu)output = gat_layer([graph.x, graph.edge_index])print("Output of GAT: \n", output)

輸出:

Graph Desc:Graph Shape: x => (5, 20) edge_index => (2, 4) y => NoneProcessed Graph Desc:Graph Shape: x => (5, 20) edge_index => (2, 8) y => NoneProcessed Edge Index:[[0 0 1 1 1 2 2 3][1 2 0 2 3 0 1 1]]Output of GAT:tf.Tensor([[0.22443159 0. 0.58263206 0.32468423][0.29810357 0. 0.19403605 0.35630274][0.18071976 0. 0.58263206 0.32468423][0.36123228 0. 0.88897204 0.450244 ][0. 0. 0.8013462 0. ]], shape=(5, 4), dtype=float32)

入門教程

---

教程列表

• 安裝
  • 環境要求與依賴庫
  • 使用pip一鍵安裝tf_geometric及依賴
• 快速入門
  • 使用簡單示例快速入門
  • 面向對象接口（OOP API）和函數式接口（Functional API）

使用示例進行快速入門

強烈建議您通過下面的示例代碼來快速入門tf_geometric：

節點分類

• 圖卷積網絡 Graph Convolutional Network (GCN)
• 多頭圖注意力網絡 Multi-head Graph Attention Network (GAT)
• Approximate Personalized Propagation of Neural Predictions (APPNP)
• Inductive Representation Learning on Large Graphs (GraphSAGE)
• 切比雪夫網絡 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering (ChebyNet)
• Simple Graph Convolution (SGC)
• Topology Adaptive Graph Convolutional Network (TAGCN)
• Deep Graph Infomax (DGI)
• DropEdge: Towards Deep Graph Convolutional Networks on Node Classification (DropEdge)
• 基于圖卷積網絡的文本分類 Graph Convolutional Networks for Text Classification (TextGCN)
• Simple Spectral Graph Convolution (SSGC/S^2GC)

圖分類

• 平均池化 MeanPooling
• Graph Isomorphism Network (GIN)
• 自注意力圖池化 Self-Attention Graph Pooling (SAGPooling)
• 可微池化 Hierarchical Graph Representation Learning with Differentiable Pooling (DiffPool)
• Order Matters: Sequence to Sequence for Sets (Set2Set)
• ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations (ASAP)
• An End-to-End Deep Learning Architecture for Graph Classification (SortPool)
• 最小割池化 Spectral Clustering with Graph Neural Networks for Graph Pooling (MinCutPool)

鏈接預測

• 圖自編碼器 Graph Auto-Encoder (GAE)

保存和載入模型

• 模型保存和載入
• 使用tf.train.Checkpoint進行模型保存和載入

分布式訓練

• 分布式圖卷積網絡（節點分類）
• 分布式平均池化（圖分類）

稀疏

• 稀疏節點特征

API列表

---

• tf_geometric
  • Graph (Data Structure for a Single Graph)
  • BatchGraph (Data Structure for a Batch of Graphs)
• tf_geometric.datasets
  • Planetoid
• tf_geometric.layers (OOP API)
• tf_geometric.nn (Functional API)

申明： 本文中部分文字、案例源于官網，將在后期的更新中不斷豐富文中內容以及本文鏈接所指向的相關文章，如果侵犯了您的權益，可以聯系我微.信（mtyjkh_）。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的一个高效且友好的TensorFlow图神经网络（GNN）框架：tf_geometric的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。