^转摘PyG中global_max_pool()函数介绍

最近在研究PyG这个框架，所以借这个机会讲解一些常见的函数，本文将说明 global_max_pool() 这个池化函数，并且以图解及示例的方式说明。

PyG中global_max_pool()函数定义如下：

![在这里插入图片描述](https://img-blog.csdnimg.cn/45aa232e5c894d81aa13467fc5290d99.png)

参数列表：

• x：节点特征向量，维度为【num_nodes，feature_size】
• batch：维度为【num_nodes，】，标志着每个节点属于哪个图或者哪个簇
• size：节点个数，如果不提供可以根据输入的x进行计算

我们在图分类任务时，需要获取每张图的特征表示，但是每张图会存在多个节点，我们需要根据这些节点形成一个新的特征向量作为图的表示，这时就利用到了全局池化。

对于 global_max_pool() 这个函数会对多个节点按照 batch 进行池化，这里举个例子：

x = torch.randn(5, 10)

batch = torch.tensor([0, 0, 0, 1, 1])
output = pyn_nn.global_add_pool(x, batch)
print(output.shape)

>>>torch.Size([2, 10])

首先我们定义了一个【5，10】代表节点特征矩阵，每个节点的特征维度为10，然后我们又定义了 batch=[0, 0, 0, 1, 1] 表明第一个、第二个和第三个节点进行池化，第四个和第五个节点进行池化，最终我们形成了2个特征向量，表示每个簇进行池化后的结果。

这个函数一般用于在使用 Loader 进行批次计算时使用，因为 Loader 会将多个子图拼接成为一个大图，这时如果对这张图进行池化，不能够分清哪个节点属于哪张图，所以可以使用 global_max_pool() 这个函数，将大图的节点特征向量传入，然后送入 batch 这个参数指明每个节点属于该批次中的哪张图。

在PyG中还有一个池化函数，跟他很类似，就是 max_pool() ，他们两个作用是类似的，都是对于同一簇内的节点进行池化，对于全局池化相当于对一整张图进行池化，如果我们设置 max_pool() 的参数 cluster 为一定值，那么此时跟 global_max_pool() 这个函数作用是一致的。

对于 max_pool() 的介绍可以参考这篇文章 [PyG中max_pool()函数介绍](https://blog.csdn.net/m0_47256162/article/details/128853900?spm=1001.2014.3001.5501) 。

    ===========================
    【来源： CSDN】
    【作者： 海洋.之心】
    【原文链接】 https://weibaohang.blog.csdn.net/article/details/128854628
    声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。