在图上发送消息的神经网络MPNN简介和代码实现( 二 ) 欢迎来到图神经网络的世界

文章插图
将获得的隐藏状态映射到描述整个图形的单个特征向量中。
在此步骤中，我们提取所有新近更新的隐藏状态，并创建描述整个图形的最终特征向量。然后可以将此特征向量用作标准机器学习模型的输入。
就是这样！这些是MPNN的基础。这个框架非常强大，因为我们可以定义不同的消息并根据想要实现的功能更新功能。我建议查看[3]以获得更多信息，以了解MPNN模型的不同变体。
在哪里可以找到模型的实现MPNN已经被少数深度学习库实现。以下是一些我可以找到的不同实现的列表：
原始模型代码github/brain-research/mpnn
Deepchem整合github/deepchem/deepchem/tree/master/contrib/mpnn
PyTorch的Geometric实现 github/rusty1s/pytorch_geometric
总结MPNN框架标准化了由多个研究人员独立创建的不同消息传递模型。该框架的主要思想包括消息，更新和读出功能，它们在图中的不同节点上运行。MPNN模型的一些变体共享此功能，但是它们的定义不同。
引用[1] Convolutional Networks on Graphs for Learning Molecular Fingerprints
[2] Gated Graph Sequence Neural Networks
[3] Neural Message Passing for Quantum Chemistry
作者：Kacper Kubara
deephub翻译组