【HAN】代码逐句理解一

入门一个方向不仅要看论文（似懂非懂），还要搞清楚论文的代码才行

那就开始吧，逐句理解👨

GPU

首先设定可见的 GPU (我也想拥有…）

os.environ["CUDA_VISIBLE_DEVICES"] = "1,2,3"

然后慢慢给显存，但不会释放，所以会有碎片

config = tf.ConfigProto()
config.gpu_options.allow_growth = True

设置数据集 acm，featype 为下面的特征矩阵类型 现在是 fea，输出一段确认信息数据集和 featype

训练参数

batch_size 为 1

nb_epoches 为 200（共 200 轮吗？）

patience 不知道

lr 学习率 0.005

l2_coef 权重衰减 0.001

每层每个注意头的隐藏单元数目

hid_units = [8] 8 个隐藏单元

n_heads = [8, 1] 输出层的附加东西，8个到1个吗？

residual = False 是不设置残差吗？

nonlinearity = tf.nn.elu 非线性函数为 elu

model = HeteGAT_multi 模型为 heteGAT_multi （这个具体在 gat.py 文件里）

接着输出一系列确认信息
数据集、学习率、权重衰减
层数（这个输出是隐藏单元数？）、隐藏单元数、注意头数（n_heads ？）
残差、非线性函数、模型

sample_mask

创建一个 mask，下面 load_data 用得到
生成一个全是 false 的列表
对应 idx 位置设为 true

load_data

下面以 ACM3025 为例

用 scipy.io 的 sio 导入 mat 数据
导入后，可以看到 ‘PTP’、‘PLP’、'PAP‘、‘feature’、‘label’、‘train_idx’、'val_idx’ 、‘test_idx’ 索引

获取 label 和 feature，维度分别为 (3025, 3) 和 (3025, 1870)
样本个数 N，N 为 3025
data[‘PAP’] 和 data[‘PLP’] 都是 (3025, 3025)

rownetworks 是这两个矩阵减去单位矩阵，然后拼接

rownetworks = [data['PAP'] - np.eye(N), data['PLP'] - np.eye(N)]

记 label 为 y
train_idx、val_idx、test_idx 分别记录训练集、验证和测试的下标
维度各自为 (1, 600)、(1, 300)、(1, 2125)
测试集这么多？

然后用到上面的 mask
生成 train_mask、val_mask、test_mask
总长度是 3025，这些数据集对应的下标为 true

生成三个集对应的 y
先生成 3 个全空的 y 尺寸的矩阵（3025, 3)
然后把 y 上对应下标的值给到对应的三个集上，注意不是切片
这样 y_train 等三个集都还是 (3025, 3)，对应下标都是 y 的值了，其他位置还是 0

输出一条确认信息，y_train 等和 train_idx 等的 shape

把特征复制 3 遍拼在一起 得到 truefeatures_list

最后，函数返回 rownetworks, truefeatures_list, y_train等，train_mask等

然后下面用 adj_list 接 rownetworks，fea_list 接 truefeatures_list

这里来了一句：试一试
如果 featype == ‘adj’，把 adj_list 当作fea_list
【所以 fea=fea，没有用到元路径信息？】