微软开源了一个用TF实现的GNN例程库

2019年接近尾声，许多学术机构盘点本年度AI领域技术关键词总少不了图神经网络（GNN），业界渐成共识：CNN处理图像视频等矩阵数据、RNN处理序列数据，GNN处理图结构数据。

之前跟大家分享过：

一文带你入门目前大热的图神经网络

58页PPT揭示图神经网络研究最新进展

都是比较新的GNN学习资料，感兴趣的朋友不妨学习。

今天在Github上看到微软开源了一个 TensorFlow 实现的图神经网络例程代码库，应该是相对高质量的。

代码地址：

https://github.com/microsoft/tf-gnn-samples

开源这份代码的是微软剑桥 Deep Program Understanding 组开源的，实现了一系列特征线性调和的图神经网络（GNN-FiLM: Graph Neural Networks with Feature-wise Linear Modulation，2019），包含GNN的网络架构：

• Gated Graph Neural Networks (GGNN) (Li et al., 2015).
• Relational Graph Convolutional Networks (RGCN) (Schlichtkrull et al., 2016).
• Relational Graph Attention Networks (RGAT) (Veličković et al., 2018).
• Relational Graph Isomorphism Networks (RGIN) (Xu et al., 2019) .
• Graph Neural Network with Edge MLPs (GNN-Edge-MLP)
• Relational Graph Dynamic Convolution Networks (RGDCN)
• Graph Neural Networks with Feature-wise Linear Modulation (GNN-FiLM)

训练和测试都仅需要一行命令，比如：

python train.py RGCN PPI

python test.py trained_models/PPI_RGCN_2019-06-26-14-33-58_17208_best_model.pickle

当前一些GNN实现的任务例子：

Citation networks

python train.py MODEL Cora (or Pubmed or Citeseer instead of Cora)

PPI

python train.py MODEL PPI
python run_ppi_benchs.py ppi_results/

QM9

python train.py MODEL QM9
python run_qm9_benchs.py qm9_results/

VarMisuse

python train.py MODEL VarMisuse
python run_varmisuse_benchs.py varmisuse_results/

目前该库已有200+ 星，欢迎大家参考。

代码地址：

https://github.com/microsoft/tf-gnn-samples