PyTorch 图神经网络 (GNN) 中的 softmax 函数作用

以下代码示例展示了在 PyTorch 中使用 softmax 函数将图神经网络 (GNN) 中每个节点的输出转换成概率分布。

class MGNCL(nn.Module):
    def forward(self, orgx, adjtensor):
        outputs = []
        for k in range(len(adjtensor)):
            adj = adjtensor[k]
            x = orgx # x是原始输入数据，即图形数据。
            x = F.relu(self.gc1(x, adj))
            x = F.dropout(x, self.dropout, training=self.training)
            x = self.gc2(x, adj)
            #output = F.log_softmax(x, dim=1)
            output = F.softmax(x, dim=1)
            outputs.append(output)
        outputmean = torch.mean(torch.stack(outputs[0:len(adjtensor)]),dim=0,keepdim=True)
        return outputs, outputmean.squeeze(0)

代码中 output = F.softmax(x, dim=1) 的作用是将每个节点的输出转换成概率分布。具体来说，softmax 函数会对每个节点的输出进行归一化，使得它们的值都介于 0 和 1 之间，并且所有节点的输出值的总和为 1。这表示每个节点属于不同类别的概率。

通过使用 softmax 函数，我们可以方便地进行多分类任务。例如，如果一个节点的输出为 [0.2, 0.7, 0.1]，则表示该节点属于第一类别的概率为 0.2，属于第二类别的概率为 0.7，属于第三类别的概率为 0.1。

总结： 在 PyTorch 中使用 softmax 函数可以将图神经网络 (GNN) 中每个节点的输出转换成概率分布，用于多分类任务。