读出函数：把节点特征变成图特征

可视化演示

\u5c55\u793a\u6c42\u548c\u3001\u5e73\u5747\u3001\u6700\u5927\u6c60\u5316\u4e09\u79cd\u8bfb\u51fa\u7b56\u7565\u5bf9\u6bd4\uff0c\u4ee5\u53ca\u6392\u5e8f\u6c60\u5316\u7684\u7ed3\u6784\u4fdd\u6301\u7279\u6027\u4e0eTop-K\u9009\u62e9\u8fc7\u7a0b\u3002

图级任务需求

教务处让班主任交一张“班级总评表”，可班里几十个学生，总不能把花名册直接交上去。班主任必须把每个人的信息浓缩成一行评语：“这个班整体学风扎实、特长突出。”在图神经网络里，这一行评语就是图级向量，而负责浓缩的班干部就是读出函数。

在图神经网络中，每个节点经过若干轮消息传递后，会得到一个向量表示 \(h_v\)。如果任务是判断某个节点属于哪一类，直接拿节点向量去分类就行；但如果任务是判断整张图的类别，比如“这张分子图是否有毒性”“这个社交网络是否是垃圾群组”，就必须把图上所有节点的特征合并成整个图的特征。这个合并动作，正是图级读出。

读出函数通常放在所有 GNN 层之后，是图分类任务的最后一步。它的输入是一组节点向量，输出是一个定长的图向量 \(h_G\)。有了 \(h_G\)，再接一个分类器，就能完成图级别的分类或回归。

这就像你最后写在表上的那句总评：学生还是那些学生，但评价对象已经从“每个人”变成了“整个班”。

读出原理

无论学生按学号排还是按身高排，班级总评都不该变。图本身没有天然顺序，节点只是一个个元素的集合；如果打个乱节点顺序，图向量就变了，模型就会像“换个座位就看不出是同一个班”的老师一样不可靠。

这正是读出函数必须满足的核心性质：置换不变性。所谓置换不变性，是指把图的节点顺序任意打乱，最终输出的图向量保持不变。求和、平均、最大这类基础池化天然满足这个性质；排序池化本身也是先对节点排序再选取，因此排序结果同样不依赖节点输入的先后顺序。

班级画像不会因为学生换了座位就变成另一个班，这正是读出函数最可贵的品格。

求和池化

班主任最直观的总结方式，是算全班总分。把每个学生的各科成绩都加一遍，得到一个“总分向量”。总分高，说明这个班整体“体量”大；但也正因如此，班里人数越多，总分通常越高。

求和池化就是对所有节点特征逐维相加：

它的优点是实现简单、保留总量的信息；缺点是对图规模敏感。两张结构相似的图，仅因为一张图的节点数更多，求和后的向量就可能整体偏大。好在分子性质预测这类任务里，分子的大小往往本身就有意义，因此求和池化仍是常用的强基线。

总分最高的班，不一定每门课都最强，但它一定拥有更大的“总量”——求和池化捕捉的正是这种规模感。

平均池化

如果教务处要看“这个班整体水平怎么样”，总分就会被人多的班占便宜。聪明的班主任会改报平均分：把总分除以人数，得到一个不受班级人数影响的指标。

平均池化就是把求和结果除以节点数量：

平均池化的优势是减少了图规模带来的偏差。当图的大小差异很大，而我们希望模型更关注“整体水平”而非“总量”时，平均池化更稳定。代价是它丢失了节点总数这一信息：两个平均分相同的班，一个 20 人、一个 40 人，在图向量里看不出区别。

平均分能公平比较人数不同的班级，但也掩盖了“班级大小”这个本来可能有用的信息。

最大池化

有时教务处只想看“这个班最亮眼的科目是哪科”。比如要评“数学特色班”，只看全班数学最高分就够了。最大池化就是这种“单项冠军”思维。

最大池化对特征向量的每一维，在所有节点中取最大值：

其中 \([h_v]_i\) 表示节点 \(v\) 特征向量的第 \(i\) 维。最大池化擅长捕捉“图中是否存在某种突出信号”，比如分子中是否存在某个关键的化学基团。但它只保留了每个维度上最极端的那个值，大量关于分布、次数、普通节点的信息都被丢弃。

只看最高分，能快速发现“最闪光的科目”，但也可能漏掉全班整体偏科、只有一个人拔尖的真相。

排序池化

如果班主任要推选“年级前十名”，不能只算总分，还要先按综合表现排序，再重点介绍前面的尖子生。排序池化就是这个思路：先给每个节点打分排序，再取前 \(k\) 个节点作为图的代表。

这里 \(s(v)\) 是节点 \(v\) 的排序分数，可以由模型学习得到。排序后取前 \(k\) 个节点，把它们各自的特征拼接成一个长向量。这个输出向量的维度是 \(k \times d\)，\(d\) 是节点特征维度。相比求和、平均、最大，排序池化保留了更多“顺序结构”信息。

尖子榜不是每个学生都上榜，而是按名次挑出最有代表性的前几名，再把他们组合成班级印象。

注意力读出

有经验的班主任总结班级时，不会把每个学生看得一样重：班长说的话多一点，平时沉默的学生少提一点。这种“谁更重要”的判断，就是注意力读出。

注意力读出先给每个节点学一个分数 \(s_v\)，再用 softmax 归一化成权重 \(\alpha_v\)，最后做加权求和：

其中 \(w\) 是可学习的参数。权重越大，代表该节点对整张图贡献越大。注意力读出比朴素求和、平均更灵活，因为它能根据任务自动决定“哪些节点更值得听”。也可以加入门控机制，用 sigmoid 之类的方式控制信息流，进一步增强表达能力。

班主任心里有杆秤，注意力读出就是让模型自己学会这杆秤。

实践选择

不同报告需要不同的总结方式：家委会想看总分，教育局想看平均分，表彰会看最高分，推优看名次。图任务也一样，没有一种读出策略能通吃所有场景。

实践中的选择逻辑可以这样看：如果图的大小本身有语义，比如分子越大性质越不同，求和池化常常更有优势；如果图大小差异大而任务与规模无关，平均池化更稳定；如果任务关心“是否存在某个极端信号”，最大池化更合适；如果关心节点之间的顺序结构，排序池化更合适；如果希望模型自动决定节点重要性，注意力读出更灵活。

读出函数得到图向量后，通常还会接一个下游分类头：

策略没有绝对好坏，只有是否匹配任务。多跑几次对比实验，比争论“哪个池化最好”更有价值。

AI 应用场景

Python 演示

import numpy as np def sum_readout(h):    return np.sum(h, axis=0) def mean_readout(h):    return np.mean(h, axis=0) def max_readout(h):    return np.max(h, axis=0) def sort_readout(h, k):    scores = h.sum(axis=1)    idx = np.argsort(scores)[::-1][:k]    return h[idx].reshape(-1) if __name__ == "__main__":    np.random.seed(42)    node_features = np.random.rand(6, 3)    print("node_features:\n", node_features)    print("sum:", sum_readout(node_features))    print("mean:", mean_readout(node_features))    print("max:", max_readout(node_features))    print("sort top2:", sort_readout(node_features, 2))

1. def sum_readout(h):定义求和池化函数。
2. return np.sum(h, axis=0)axis=0 表示按“所有节点”这一轴求和，即逐维相加。
3. np.mean(h, axis=0)对所有节点求平均，等效于平均池化。
4. np.max(h, axis=0)对所有节点逐维取最大值。
5. scores = h.sum(axis=1)给每个节点算一个综合分，是排序池化的排序依据。
6. idx = np.argsort(scores)[::-1][:k]按综合分倒序排列，取出前 \(k\) 个节点的下标。
7. return h[idx].reshape(-1)把选中的 \(k\) 个节点特征展平，得到排序池化输出。

常见误区

面试题