rxlgq/Graph2Seq

Graph Neural Networks including GAT\GCN\GGNN，GGNN-LSTM,using scene graph to generate captions

Graph2Seq

GGNN-LSTM,using scene graph to generate captions

本代码是历时多半年的毕设研究。包含了图神经网络到序列学习的任务，目的是输入一个graph，输出对应的描述caption。

本项目基于encoder-decoder,graph neural network相当于encoder, lstm作decoder

---

模块包含 图神经网络、LSTM、attention 以及 整个数据预处理、数据生成、evaluation的各个细节。

---

放出来的目的是为了让对graph neural network（图神经网络）和encoder-decoder based attention感兴趣的人更快的了解这方面的知识。

打印版论文.pdf 是我的本科毕设论文，其详细介绍了每个模块的实现细节和图解表示，相信你如果能认真阅读的话，以上每个实现必将了如指掌。

框架草图.png演示了更多的细节。

运行环境

python3.5+pytorch0.4.1

数据文件解释 data/annotation：

1. train_object.txt或者test_object.txt 是graph中的node,代表图中的节点，其中每一行是一个graph的object，relationship和attribute都当作graph的node，比如clock by sidewalk就代表代表当前graph共有3个节点；

2. train_rela.txt或者test_rela.txt 是graph的关系relationship，每一行是一个graph中的所有的relationship，比如sidewalk,by by,clock代表sidewalk和by之间有连线，by和clock之间有连线；

3. train_phrase.txt或者test_phrase.txt是ground-truth的caption,用于train时decoder的输入和test时evaluation；

上述三个文件每行互相对应，即相同行代表同一个graph的信息。

代码文件解释：

1. train.py 运行直接进行训练；

2. sample_batch.py 是运用测试;

3. model.py 包括了graph network（相当于encoder network），attention network和lstm(相当于decoder)network；

4. build_vocab.py是建立字典库，生成data/vocab.pkl，我已经给了vocab.pkl，你可以不运行bulid_vocab.py；

5. data_loader.py 是把生成的graph和对应的caption组成pair送给网络进行train和test；

6. process_Scenegraph.py 是处理生成graph，我已经给data/annotation,你不必运行；

7. word_split 也是对数据的预处理；

8. 其他文件都是我在实现过程中做的一些to do list，还有实现过程中的一些增删改还有debug记录。

data/annotation中所给的文件已经是完成了上述与数据预处理相关的任何操作，如果你只是想了解 graph neural network、 attention机制结合lstm，那么无需关心数据的预处理工作~~ **

如果你正在做graph的相关研究，本人的github仓库上还有graph convolutional network，graph attention network和gated graph nerual network的单独仓库，如果你有任何问题或者对图神经网络感兴趣但无从下手，欢迎在issues中提问！我看到必立刻回答解释!