PyTorch 图神经网络 (GNN) 中的 MGNCL 类：节点输出列表与平均值

PyTorch 图神经网络 (GNN) 中的 MGNCL 类：节点输出列表与平均值

该代码展示了 PyTorch 图神经网络 (GNN) 中的 MGNCL 类，其定义如下：

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)

该代码中，outputs.append(output) 的作用是将每个节点的输出结果添加到一个列表中，并在函数最后返回该列表。这个列表包含了每个图的所有节点的输出结果，可以用于后续的分析和处理。

具体而言，MGNCL 类接收原始输入数据 orgx 和图的邻接矩阵 adjtensor 作为输入。代码通过循环遍历 adjtensor 中的每个图，使用图卷积层 gc1 和 gc2 计算每个节点的输出。F.relu 和 F.dropout 分别对输出进行激活函数和 dropout 操作，F.softmax 将输出转换为概率分布。最终，所有节点的输出结果被存储在 outputs 列表中。

此外，该类还计算所有节点输出的平均值，并返回 outputs 列表和平均值。平均值可以用来表示整个图的整体输出结果。

该代码示例展示了如何使用 MGNCL 类来处理图数据，并获取每个节点的输出结果和所有节点输出的平均值。这些信息可以用于各种 GNN 任务，例如节点分类、图分类和链接预测。