通过这篇文章，学习GNN实现细节，确定用在手部图像上的可行性，初步确定实现方案。
文章及代码链接：https://github.com/Microsoft/gated-graph-neural-network-samples
2.1：prepare_specific_graph_model
2.2：final_node_representations
2.2.2：对于每个时间步长，更新cur_node_states
2.3.1：对每个task，计算gated_regression
2.3.2：把每个图中所有的点求个和得到一个图的输出结果——computed_values（float）
论文初步阅读
这是Microsoft Research2016年发表于ICLR的文章，作者是Yujia Li
图的特征学习包括两个步骤：输入图的表达和中间环节的特征聚合。在图的表达上，本文沿用2009年的 Scarselli的工作，我们在它上面融入了RNN的思想。 后续特征聚合十分重要我们引入了GGS-NNs。
1:GG-NNs计算过程
可以用6个公式表达
-
initialization
-
imformation pass
-
update gate
-
reset gate
-
activate
-
activate
-
output
2:GGS-NNs计算流程
用了两个 GG-NNs： Fo(k) 和 FX(k)。 Fo(k) for predicting o(k) from X(k), and FX(k) forpredicting X(k+1) from X(k). when training GGS-NN,there are two setting:specifying all intermediate annotations or only the first one.
结合代码深入理解
1：加载数据
训练数据12083张图，测试数据13082张图。图是稀疏图用邻接矩阵表达，节点数量不大于30，边有权重大概40到50条边，每个节点有5种取值（onehot编码），整个图有一个label（大概是-4到4之间的一个浮点数）。
2：创建计算图
所有操作记录在self.ops['final_node_representations']中
网络输入有4个，暂时不知道怎么用
创建计算图的核心代码：
with tf.variable_scope("graph_model"):
self.prepare_specific_graph_model()
# This does the actual graph work:
if self.params['use_graph']:
self.ops['final_node_representations'] = self.compute_final_node_representations()
else:
self.ops['final_node_representations'] = tf.zeros_like(self.placeholders['initial_node_representation'])
2.1：prepare_specific_graph_model
首先增加了5个网络输入，按照字面意义理解：点的初始化参数，邻接矩阵，邻接矩阵权重，点集合，图状态保持概率
增加网络权重，每个时间步骤一个，总共4个时间步所以是4个，每个与邻接矩阵大小相同
2.2：final_node_representations
计算每个点的结果，应该跟上面的6个公式相关。
2.2.1：获取图
根据placeholders中的initial_node_representation的值初始化cur_node_states，根据placeholders中的adjacency_list和adjacency_weights中的值初始化一个adjacency_matrix。
tf.shape(x),其中x可以是tensor，也可不是tensor，返回是一个tensor.
shape=tf.placeholder(tf.float32, shape=[None, 227,227,3] )- 我们经常会这样来
feed数据,如果在运行的时候想知道None到底是多少,这时候,只能通过tf.shape(x)[0]这种方式来获得
2.2.2：对于每个时间步长，更新cur_node_states
adjacency_matrix(node_num,node_num) * cur_node_states(node_num,100)* 位于该时间步的权重(100*100)
得到 new_node_states (node_num*100)
有需要的话可以加个bias。
2.3：计算loss:
2.3.1：对每个task，计算gated_regression
增加两个权重矩阵，组成MLP多层感知机，其实就是全连接和relu。
regression_gate_task0（输入200，输出1）和regression_transform_task0（输入100，输出1）
将cur_node_states与初始化node连起来组成gate_input(node_num*200)。计算流程如下：
- gate_input输入regression_gate_task0这个MLP
- 输入Sigmoid函数，变换到0~1
- 输入到regression_transform_task0这个MLP
- 得到的结果gated_outputs（node_num*1）
2.3.2：把每个图中所有的点求个和得到一个图的输出结果——computed_values（float）
2.3.3：Mask out unused values
diff = computed_values - self.placeholders['target_values'][internal_id,:]
task_target_mask = self.placeholders['target_mask'][internal_id,:]
task_target_num = tf.reduce_sum(task_target_mask) + SMALL_NUMBER
diff = diff * task_target_mask # Mask out unused values
self.ops['accuracy_task%i' % task_id] = tf.reduce_sum(tf.abs(diff)) / task_target_num
task_loss = tf.reduce_sum(0.5 * tf.square(diff)) / task_target_num
# Normalise loss to account for fewer task-specific examples in batch:
task_loss = task_loss * (1.0 / (self.params['task_sample_ratios'].get(task_id) or 1.0))
self.ops['losses'].append(task_loss)