C++ 实现 GNN 模型：简单示例与代码解析

GNN（Graph Neural Networks）是一种用于图像识别、推荐系统、社交网络分析等领域的机器学习模型。下面是一个简单的用 C++ 实现 GNN 模型的示例代码：

#include <iostream>
#include <vector>
#include <cmath>

using namespace std;

class Graph {
public:
    vector<vector<int>> adj_list;
    int num_vertices;
    Graph(int n) {
        num_vertices = n;
        adj_list.resize(n);
    }
    void add_edge(int u, int v) {
        adj_list[u].push_back(v);
        adj_list[v].push_back(u);
    }
};

class GNN {
public:
    int num_layers;
    int hidden_size;
    vector<vector<double>> weights;
    vector<double> bias;
    GNN(int nl, int hs) {
        num_layers = nl;
        hidden_size = hs;
        weights.resize(nl);
        for (int i = 0; i < nl; i++) {
            weights[i].resize(hs*hs);
            for (int j = 0; j < hs*hs; j++) {
                weights[i][j] = 0.1;
            }
        }
        bias.resize(nl*hs);
        for (int i = 0; i < nl*hs; i++) {
            bias[i] = 0.1;
        }
    }
    vector<double> forward(Graph g, vector<double> input) {
        vector<double> output(hidden_size, 0.0);
        for (int i = 0; i < num_layers; i++) {
            vector<double> new_output(hidden_size, 0.0);
            for (int j = 0; j < g.num_vertices; j++) {
                double sum = 0.0;
                for (int k = 0; k < g.adj_list[j].size(); k++) {
                    int neighbor = g.adj_list[j][k];
                    for (int l = 0; l < hidden_size; l++) {
                        sum += weights[i][l*hidden_size+l]*input[neighbor*hidden_size+l];
                    }
                }
                new_output[j] = tanh(sum + bias[i*hidden_size]);
            }
            input = new_output;
        }
        output = input;
        return output;
    }
};

int main() {
    Graph g(4);
    g.add_edge(0, 1);
    g.add_edge(1, 2);
    g.add_edge(2, 3);
    g.add_edge(3, 0);

    vector<double> input = {1, 2, 3, 4, 5, 6, 7, 8};
    GNN gnn(2, 3);
    vector<double> output = gnn.forward(g, input);

    for (int i = 0; i < output.size(); i++) {
        cout << output[i] << " ";
    }
    cout << endl;
    return 0;
}

该示例代码中使用了一个简单的图（4个节点，4条边）和一个两层、每层3个节点的 GNN 模型。其中，add_edge() 函数用于构建图，forward() 函数用于计算模型的前向传播。模型的权重和偏置在初始化时被随机赋值为 0.1。在 forward() 函数中，使用 tanh 函数作为激活函数。最后，输出模型的输出结果。

需要注意的是，这只是一个简单的示例，实际的 GNN 模型可能会更复杂，需要更多的计算资源和优化技巧来提高性能。