0
我想用graph_cnn（Defferrard et al. 2016）来输入节点数量的变化。作者提供了示例代码（请参阅graph_cnn）。下面是我认为的代码的关键部分张量流中graph_cnn的批处理
def chebyshev5(self, x, L, Fout, K):
N, M, Fin = x.get_shape()
N, M, Fin = int(N), int(M), int(Fin)
# Rescale Laplacian and store as a TF sparse tensor. Copy to not modify the shared L.
L = scipy.sparse.csr_matrix(L)
L = graph.rescale_L(L, lmax=2)
L = L.tocoo()
indices = np.column_stack((L.row, L.col))
L = tf.SparseTensor(indices, L.data, L.shape)
L = tf.sparse_reorder(L)
# Transform to Chebyshev basis
x0 = tf.transpose(x, perm=[1, 2, 0]) # M x Fin x N
x0 = tf.reshape(x0, [M, Fin*N]) # M x Fin*N
x = tf.expand_dims(x0, 0) # 1 x M x Fin*N
def concat(x, x_):
x_ = tf.expand_dims(x_, 0) # 1 x M x Fin*N
return tf.concat([x, x_], axis=0) # K x M x Fin*N
if K > 1:
x1 = tf.sparse_tensor_dense_matmul(L, x0)
x = concat(x, x1)
for k in range(2, K):
x2 = 2 * tf.sparse_tensor_dense_matmul(L, x1) - x0 # M x Fin*N
x = concat(x, x2)
x0, x1 = x1, x2
x = tf.reshape(x, [K, M, Fin, N]) # K x M x Fin x N
x = tf.transpose(x, perm=[3,1,2,0]) # N x M x Fin x K
x = tf.reshape(x, [N*M, Fin*K]) # N*M x Fin*K
# Filter: Fin*Fout filters of order K, i.e. one filterbank per feature pair.
W = self._weight_variable([Fin*K, Fout], regularization=False)
x = tf.matmul(x, W) # N*M x Fout
return tf.reshape(x, [N, M, Fout]) # N x M x Fout
从本质上讲，我觉得这样做有什么方法可以简化为像
return = concat{(L*x)^k for (k=0 to K-1)} * W
x是N x M x Fin（大小可变的输入在任何批次中）：
L是一组运算符x，每个运算符的大小为M x M，与匹配的对应值样品（大小在任何批次中可变）。
W是要优化的神经网络参数，它的大小是Fin x K x Fout
N：样本的批处理（大小固定为任何批次）号码;
M：图中节点的数量（任意批次中的大小变量）;
Fin：输入特征的数量（大小固定为任何批次）]。
Fout是输出特征的数量（对于任何批次固定的大小）。
K是一个常数，表示在图表
对于单的示例步骤（跳）的数量，在上述代码工作。但是，由于x和L对于批次中的每个样品都具有可变长度，所以我不知道如何使其适用于一批样品。