自定义GNN层需重写call()和build()，adj须作为call()参数动态传入；用tf.sparse.sparse_dense_matmul()处理稀疏邻接矩阵；归一化应预计算；邻居聚合优先用tf.gather_nd()和tf.math.unsorted_segment_sum()；输入需显式添加batch维并用tf.ensure_shape()固定形状。
用 tf.keras.layers.Layer 自定义 GNN 层时，必须重写 call() 和 build()
TensorFlow 原生不提供开箱即用的 GNN 层（如 GCN、GAT），得自己实现。核心不是“堆模块”，而是正确处理两个输入：节点特征 x 和图结构（通常为邻接矩阵 adj 或边索引 edge_index）。常见错误是把 adj 当作可训练权重传进 __init__ ——它得在 call() 里作为参数动态传入，否则无法支持 batch 间不同图结构。
实操建议：
-
build()只初始化可训练权重（如self.kernel），别碰图数据 -
call(self, inputs, adj=None)接收inputs（节点特征）和adj（稀疏或密集邻接张量），这是关键签名 - 若用稀疏邻接矩阵，务必用
tf.sparse.sparse_dense_matmul()，而非tf.linalg.matmul()，否则报InvalidArgumentError: DenseTensors are not supported - 注意维度对齐：假设
x是[N, F]（N 个节点，F 维特征），adj应为[N, N]；做归一化（如对称归一化）需提前在 CPU 或 NumPy 里算好，避免在图中嵌套tf.py_function
GCN 层的归一化邻接矩阵不能直接用 tf.linalg.inv()
标准 GCN 要求使用预计算的归一化邻接矩阵 Â = D̃⁻¹ᐟ² Ã D̃⁻¹ᐟ²，其中 Ã = A + I，D̃ 是 Ã 的度矩阵。有人试图在 call() 里实时算 tf.linalg.inv(tf.linalg.diag_part(...))，结果要么维度错乱，要么梯度中断（因为 inv 不支持稀疏输入，且不可导）。
正确做法是把归一化逻辑移出模型：
立即学习“Python免费学习笔记（深入）”；
- 用
scipy.sparse或numpy预处理图，生成Â（转成tf.SparseTensor或稠密tf.Tensor） - 在训练循环中把
Â作为额外参数 feed 进模型，或封装进tf.data.Dataset的元素里 - 如果必须动态构建（如多图 batch），用
tf.math.segment_sum()和tf.math.pow()手动算度矩阵逆平方根，避开inv
用 tf.gather_nd() 实现邻居聚合比 tf.linalg.matmul() 更灵活
当图是异构的、或需要按边类型聚合（如 R-GCN），用邻接矩阵乘法就不够用了。此时应切换到基于索引的聚合：给定 edge_index（形状 [2, E]），对每个目标节点收集其所有源节点特征。
典型写法：
- 用
tf.gather_nd(x, tf.expand_dims(edge_index[1], axis=1))提取目标节点特征（用于后续加权） - 用
tf.gather_nd(x, tf.expand_dims(edge_index[0], axis=1))提取邻居节点特征 - 用
tf.math.unsorted_segment_sum()按edge_index[1]分组求和，实现 mean/max/sum 聚合 - 避免用
tf.dynamic_stitch()或循环，它们会破坏图执行效率
训练时 tf.function 报 ValueError: Input tensor must be of rank at least 2
这个错常出现在把单图（[N, F]）和邻接矩阵（[N, N]）直接塞进带 @tf.function 的模型时——TensorFlow 默认把输入当 batched 张量处理，而图数据天然无 batch 维度。更隐蔽的是，某些自定义层在 build() 里用了 tf.shape(inputs)[0] 推断输出尺寸，但 tf.function 下 shape 可能是 None。
解决路径很具体：
- 确保输入数据有明确 batch 维度：哪怕单图也包装成
[1, N, F]和[1, N, N]，并在call()开头用tf.squeeze()去掉（注意axis参数） - 在
build()中用input_shape[-1]（而非tf.shape(inputs)[-1]）推断特征维度 - 对
adj输入，在@tf.function外预先调用tf.ensure_shape(adj, [N, N])固定形状 - 调试时先关掉
@tf.function，确认逻辑正确后再开启
图结构的动态性始终是 GNN 在 TF 中最硬的坎——不是写不出，而是每一步归一化、索引、聚合都得和静态图执行节奏对齐。稍不注意，梯度就断在某个 tf.py_function 里，或者 shape 在 trace 阶段就塌了。
