在GCN的全连接层额外添加特征数据，怎么处理可能的错误？

Question

使用DGL库得到图数据的一个数据的形状是Data(x=[38, 10], edge_index=[2, 43], edge_attr=[43], y=0, mol_attr=[1400])，其中x, edge_index输入到卷积层，想让mol_attr和卷积完成后的特征共同输入到全连接层，该怎么做，在共同输入到全连接层的时候，两个特征因为维度问题总是出错，该怎么办？

#模型代码：
class GCN(torch.nn.Module):
    def __init__(self, hidden_channels):
        super(GCN, self).__init__()
        torch.manual_seed(12345)
        self.conv1 = GCNConv(dataset.num_node_features, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, hidden_channels)
        self.conv3 = GCNConv(hidden_channels, hidden_channels)
        self.lin = Linear(hidden_channels, dataset.num_classes)

    def forward(self, x, edge_index, batch):
        # 1. Obtain node embeddings 
        x = self.conv1(x, edge_index)
        x = x.relu()
        x = self.conv2(x, edge_index)
        x = x.relu()
        x = self.conv3(x, edge_index)

        # 2. Readout layer
        x = global_mean_pool(x, batch)  # [batch_size, hidden_channels]

        # 3. Apply a final classifier
        x = F.dropout(x, p=0.5, training=self.training)
        x = self.lin(x)
        
        return x

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 以下回答由chatgpt基于相关博客总结生成:

  解决方案:

  在这里，我们可以使用torch的torch.cat函数将mol_attr与卷积完成后的特征x连接起来，并将其作为输入传递给全连接层。

  以下是修改后的前向传播函数：

  def forward(self, x, edge_index, batch, mol_attr):
      # 1. 获取节点嵌入
      x = self.conv1(x, edge_index)
      x = x.relu()
      x = self.conv2(x, edge_index)
      x = x.relu()
      x = self.conv3(x, edge_index)
  
      # 2. 连接mol_attr特征
      x = global_mean_pool(x, batch)  # [batch_size, hidden_channels]
      x = torch.cat([x, mol_attr], dim=1)  # 将mol_attr与x连接在一起
  
      # 3. 应用最后的分类器
      x = F.dropout(x, p=0.5, training=self.training)
      x = self.lin(x)
  
      return x
  

  这样，mol_attr和卷积完成后的特征x会一起输入到全连接层中。

  请注意，为了使mol_attr的维度和x的维度一致，您可能需要进行相应的维度调整和预处理。具体的处理方式取决于mol_attr的具体形状和维度。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^