神经网络gcn代码

import dgl
import torch as th
import torch.nn as nn
import dgl.function as fn
import torch.nn.functional as F
from dgl import DGLGraph
import os

gcn_msg = fn.copy_src（src=‘h‘ out=‘m‘）

gcn_reduce = fn.sum（msg=‘m‘ out=‘h‘）


class NodeApplyModule（nn.Module）:
    def __init__（self in_feats out_feats activation）:
        super（NodeApplyModule self）.__init__（）
        self.linear = nn.Linear（in_feats out_feats）
        self.activation = activation

    def forward（self node）:
        h = self.linear（node.data[‘h‘]）
        h = self.activation（h）
        return {‘h‘: h}


class GCN（nn.Module）:
    def __init__（self in_feats out_feats activation）:
        super（GCN self）.__init__（）
        self.apply_mod = NodeApplyModule（in_feats out_feats activation）

    def forward（self g feature）:
        g.ndata[‘h‘] = feature
        g.update_all（gcn_msg gcn_reduce）
        g.apply_nodes（func=self.apply_mod）
        return g.ndata.pop（‘h‘）


class Net（nn.Module）:
    def __init__（self）:
        super（Net self）.__init__（）
        self.gcn1 = GCN（1433 16 F.relu）
        self.gcn2 = GCN（16 7 F.relu）

    def forward（self g features）:
        x = self.gcn1（g features）
        x = self.gcn2（g x）
        return x

GCnet = Net（）

print（GCnet）


from dgl.data import citat