简介：本文实现了一个GAT图注意力机制的网络层，可以在Keras中像调用Dense网络层、Input网络层一样直接搭积木进行网络组合。

一，基本展示

        如下图所示，我们输入邻接矩阵和节点特征矩阵之后，可以直接调用myGraphAttention网络层得到每一头的注意力输出(节点emdbeding)，十分的方便。

        注意：上图有个BUG，最终的输出层应该是8，和输入节点特征保持一致，上图只是举一个例子。

二，代码实现

2.1 GAT网络层

        GAT网络层的代码如下。

from __future__ import absolute_import
from keras.activations import relu
from keras import activations, constraints, initializers, regularizers
from keras import backend as K
from keras.layers import Layer, Dropout, LeakyReLU

# 定义图卷积层
class myGraphAttention(Layer):

    def __init__(self,
                 F_,
                 activation='relu',
                 use_bias=True,
                 drop_rate = 0,
                 kernel_initializer='glorot_uniform',
                 bias_initializer='zeros',
                 attn_kernel_initializer='glorot_uniform',
                 kernel_regularizer=None,
                 bias_regularizer=None,
                 attn_kernel_regularizer=None,
                 activity_regularizer=None,
                 kernel_constraint=None,
                 bias_constraint=None,
                 attn_kernel_constraint=None,
                 **kwargs):

        self.F_ = F_  # 输出的节点embeding维度
        self.activation = activations.get(activation) # 输出结果之前的激活函数
        self.use_bias = use_bias

        """
        其他代码………………
        """
        super(myGraphAttention, self).__init__(**kwargs)

    def build(self, input_shape):
        """
        其他代码………………
        """

    def call(self, inputs):
        X = inputs[0]  # 节点特征 (N x F)
        A = inputs[1]  # 邻接矩阵 (N x N)
 
        """
        其他代码………………
        """
  
        # 加上偏置
        if self.use_bias:
            node_features = K.bias_add(node_features, self.bias)

        # 最终的输出之前得激活一下
        output = self.activation(node_features)
        return output

    def compute_output_shape(self, input_shape):
        output_shape = input_shape[0][0], self.output_dim
        return output_shape

2.2 模型搭建

        模型搭建的代码如下。

from keras.layers import Layer,Input,Dense,add,Lambda
from keras.models import Model

inp_adj_martrix = Input(shape=(5,5),name='adj_martrix')
inp_node_features = Input(shape=(5,8),name='node_features_martrix')

# 在这里直接调用网络层
flat0 = myGraphAttention(12,name="head_0")([inp_node_features,inp_adj_martrix])
flat1 = myGraphAttention(12,name="head_1")([inp_node_features,inp_adj_martrix])
flat2 = myGraphAttention(12,name="head_2")([inp_node_features,inp_adj_martrix])

flat = add([flat0,flat1,flat2])

lorder = 1
one_node = Lambda(lambda inp: inp[:,0,:],name = "the-first-node-feature")(flat)


o1 = Dense(32,activation="relu")(one_node)
o2 = Dense(32,activation="relu")(o1)
out = Dense(12)(o2)

model = Model([inp_adj_martrix,inp_node_features],[out])

        创作不易，需要完整代码4_liao我哦。还有很多预测网络结构。