近日，一个关于图注意力网络可视化的项目吸引了大批研究人员的兴趣，上线仅仅一天，收获 200+ 星。该项目是关于用 PyTorch 实现的图注意力网络(GAT)，包括易于理解的可视化。
项目地址：https://github.com/gordicaleksa/pytorch-GAT在正式介绍项目之前，先提一下图神经网络（GNN）。GNN 是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性，GNN 最近已成为一种广泛应用的图分析方法。现已广泛应用于计算生物学、计算药理学、推荐系统等。GAT 是空间（卷积）GNN 的代表。由于 CNNs 在计算机视觉领域取得了巨大的成功，研究人员决定将其推广到图形上，因此 GAT 应运而生。现在，有人用 PyTorch 实现了 GAT 可视化。我们来看看该项目是如何实现的。
说到 GNN，就不得不介绍一下 Cora 数据集。Cora 数据集由许多机器学习论文组成，是近年来图深度学习很喜欢使用的数据集。Cora 中的节点代表研究论文，链接是这些论文之间的引用。项目作者添加了一个用于可视化 Cora 和进行基本网络分析的实用程序。Cora 如下图所示：
节点大小对应于其等级（即进出边的数量）。边的粗细大致对应于边的「popular」或「连接」程度。以下是显示 Cora 上等级（进出边的数量）分布的图：
进和出的等级图是一样的，因为处理的是无向图。在底部的图（等级分布）上，我们可以看到一个有趣的峰值发生在 [2，4] 范围内。这意味着多数节点有少量的边，但是有 1 个节点有 169 条边（绿色大节点）。有了一个训练好的 GAT 模型以后，我们就可以将某些节点所学的注意力可视化。节点利用注意力来决定如何聚合周围的节点，如下图所示：
这是 Cora 节点中边数最多的节点之一(引用)。颜色表示同一类的节点。另一种理解 GAT 没有在 Cora 上学习注意力模式 (即它在学习常量注意力) 的方法是，将节点邻域的注意力权重视为概率分布，计算熵，并在每个节点邻域积累信息。我们希望 GAT 的注意力分布有偏差。你可以看到橙色的直方图是理想均匀分布的样子，而浅蓝色的是学习后的分布，它们是完全一样的。
GAT 的输出张量为 shape=（2708，7），其中 2708 是 Cora 中的节点数，7 是类数。用 t-SNE 把这些 7 维向量投影成 2D，得到：
只需从 Anaconda 控制台运行 Jupyter Notebook，它将在你的默认浏览器中打开 session。打开 The Annotated GAT.ipynb 即可开始。注意，如果你得到了 DLL load failed while importing win32api: The specified module could not be found，只需要 pip uninstall pywin32，或者 pip install pywin32、onda install pywin32。如果使用自己选择的 IDE，只需要将 Python 环境和设置部分连接起来。在 Cora 上训练 GAT 所需的一切都已经设置好了，运行时只需调用 python training_script.py添加 --should_visualize - 以可视化你的图形数据
在数据的测试部分添加 --should_test - 以评估 GAT
添加 --enable_tensorboard - 开始保存度量标准（准确率、损失）
代码部分的注释很完善，因此你可以了解到训练本身是如何运行的。将 checkpoint* .pth 模型转储到 models/checkpoints/
将 final* .pth 模型转储到 models/binaries/
将度量标准保存到中 runs/，只需 tensorboard --logdir=runs 在 Anaconda 中运行即可将其可视化
定期将一些训练元数据写入控制台
通过 tensorboard --logdir=runs 在控制台中调用，并将 http://localhost:6006/URL 粘贴到浏览器中，可以在训练过程中将度量标准可视化：
如果要可视化 t-SNE 嵌入，请注意或嵌入该 visualize_gat_properties 函数的注释，并设置 visualization_type 为：VisualizationType.ATTENTION - 如果希望可视化节点附近的注意力
VisualizationType.EMBEDDING - 如果希望可视化嵌入（通过 t-SNE）
VisualizationType.ENTROPY - 如果想可视化熵直方图
然后，你就得到了一张优秀的可视化效果图（VisualizationType.ATTENTION 可选）：
GAT 不需要那种很强的硬件资源，尤其是如果你只想运行 Cora 的话，有 2GB 以上的 GPU 就可以了。如果你想了解更多关于 GAT 的内容，请点击下方视频：
该项目作者 AleksaGordić 是一位微软的软件和机器学习工程师，研究兴趣包括计算机视觉、机器学习和数字图像处理领域。他在塞尔维亚的贝尔格莱德获得了电气工程硕士学位，业余时间是一个机器学习项目、 Android / 网页 app、树莓派项目的创造爱好者。在他的 GitHub 主页，你还能看到更多有关 Pytorch 实现的项目。
