GCN图顶点分类理解

GCN输出的H'矩阵，最后怎么令其作节点分类。即，GCN输出H’如何让节点分类的？

以pytorch的GCN模型为例：GCN
GCN已经将计算简化为：
假设一个图的顶点数目为：

import torch.nn as nn
import torch.nn.functional as F
from pygcn.layers import GraphConvolution


class GCN(nn.Module):
    def __init__(self, nfeat, nhid, nclass, dropout):
        super(GCN, self).__init__()

        self.gc1 = GraphConvolution(nfeat, nhid)
        self.gc2 = GraphConvolution(nhid, nclass)
        self.dropout = dropout

    def forward(self, x, adj):
        x = F.relu(self.gc1(x, adj))  ###注：  X = AXW1  A=[n,n] X[n,nfeat]  W=[nfeat,nhid]  ==> X=[n,nhid]
        x = F.dropout(x, self.dropout, training=self.training)
        x = self.gc2(x, adj) ###注：X=AXW2  A=[n,n]  X=[n,nhid]  W=[nhid,nclass] ==> X=[n,nclass]
        return F.log_softmax(x, dim=1)

代码里的x就是与公式里的H对应，x是图顶点的原始特征矩阵，x输入gc1层时的维度是：[n,nfeat]，n是图节点数，nfeat是图节点原始特征的维度;

第一次计算，即，A矩阵维度[n,n]，X矩阵就是x维度[n,nfeat]，变量维度[nfeat,nhid]，所以是新特征矩阵。

第二次计算，即，A矩阵维度[n,n]，X矩阵就是x维度[n,nhid]，变量维度[nhid,nclass]，所以是新矩阵，它就对应nclass分类。

后面return F.log_softmax(x, dim=1)，即对分类上分数进行softmax归一化处理，即可以和真实的标签向量进行对标，计算损失值。