图神经网络入门代码（2）-逐行分析
逐行详解 GnnLayer 的 __init__ 方法
1. 类定义与初始化参数
import torch
import torch.nn as nnclass GnnLayer(nn.Module):def __init__(self, in_feats, out_feats, neighbr, bias=False, activation=False):super(GnnLayer, self).__init__()-
作用：定义一个自定义的图神经网络层，继承自PyTorch的
nn.Module。 -
参数：
-
in_feats：输入特征的维度（例如每个节点的特征向量长度）。 -
out_feats：输出特征的维度（经过该层后的特征向量长度）。 -
neighbr：每个节点的最大邻居数（用于权重矩阵维度计算）。 -
bias：是否在层中添加可学习的偏置项（True表示添加）。 -
activation：是否在该层后使用激活函数（True表示使用）。
-
2. 参数存储与变量初始化
self.in_feats = in_featsself.out_feats = out_featsself.neighbor = neighbrself.activation = activationself.weight = nn.Parameter(torch.FloatTensor(size=(neighbr*in_feats, out_feats)))self.bias_bool = bias# define the network inside the nodesself.relu = nn.LeakyReLU()-
作用：将输入参数保存为类的成员变量，供后续使用。定义一个可学习的权重矩阵，用于对聚合后的邻居特征进行线性变换。
-
示例：
-
若
in_feats=5,out_feats=16,neighbr=2，则该层会将每个节点的5维特征，结合2个邻居的信息，映射到16维特征。 -
权重矩阵的形状为
(neighbr * in_feats, out_feats) -
偏置项 (
bias_bool)：-
若
bias=True，则在该层中添加一个可学习的偏置向量，用于调整线性变换后的输出。 -
偏置的作用：允许模型学习输出值的偏移，增强拟合能力。
-
-
激活函数 (
relu)：-
LeakyReLU是一种非线性激活函数，其中，x小于0时，α 是一个小斜率（默认0.01），避免负数输入时梯度为零。 -
作用：引入非线性，使模型能够学习复杂的特征映射。
-
-
3. 权重与偏置的初始化
if activation:self.activation = activationnn.init.xavier_uniform_(self.weight, gain=nn.init.calculate_gain('relu'))if bias:self.bias = nn.Parameter(torch.FloatTensor(size=(1, self.out_feats)))nn.init.xavier_uniform_(self.bias, gain=nn.init.calculate_gain('relu'))else:if bias:self.bias = nn.Parameter(torch.FloatTensor(size=(1, self.out_feats)))nn.init.xavier_uniform_(self.bias)nn.init.xavier_uniform_(self.weight)-
初始化逻辑：
-
当使用激活函数时 (
activation=True)：-
权重初始化：使用Xavier均匀初始化，并根据
relu的增益（gain）调整初始化范围，以缓解梯度消失问题。-
Xavier初始化的目标是保持输入和输出的方差一致。
-
gain=nn.init.calculate_gain('relu')根据激活函数类型调整增益值（对ReLU增益为2)。
-
-
偏置初始化：如果启用偏置，同样使用Xavier均匀初始化。
-
-
当不使用激活函数时 (
activation=False)：-
权重初始化：仅使用标准Xavier均匀初始化。
-
偏置初始化：如果启用偏置，初始化方式同上。
-
-
-
代码细节：
-
nn.Parameter：将张量标记为可学习参数，自动加入模型参数列表。 -
nn.init.xavier_uniform_：按Xavier均匀分布初始化张量。
-