1 獲取數(shù)據(jù)集

該數(shù)據(jù)集用于semi-supervised的節(jié)點(diǎn)分類任務(wù)

from torch_geometric.datasets import Planetoiddataset = Planetoid(root='/tmp/Cora', name='Cora')dataset.num_classes #7 #節(jié)點(diǎn)一共七個類dataset.num_features #1433 #每個點(diǎn)1433個特征len(dataset) #1 #只有一張圖dataset[0].is_undirected() #Truedataset[0] #Data(x=[2708, 1433], edge_index=[2, 10556], y=[2708], train_mask=[2708], val_mask=[2708], test_mask=[2708])''' edge_index=[2, 10556]————這張圖有10556條有向邊 x=[2708, 1433]————這張圖有2708個點(diǎn)，每個點(diǎn)1433個特征 y=[2708]——每個節(jié)點(diǎn)的標(biāo)簽（一共有7個類） '''dataset[0]['train_mask'] #tensor([ True, True, True, ..., False, False, False]) #train_mask：2708維向量，訓(xùn)練集的mask向量，標(biāo)識哪些節(jié)點(diǎn)屬于訓(xùn)練集。 #val_mask：2708維向量，驗證集的mask向量，標(biāo)識哪些節(jié)點(diǎn)屬于驗證集。 #test_mask：2708維向量，測試集的mask向量，表示哪些節(jié)點(diǎn)屬于測試集。

?

1.1 cora 數(shù)據(jù)集??

cora數(shù)據(jù)集的點(diǎn)表示的是機(jī)器學(xué)習(xí)的論文， 這些論文的選擇方式使得在最終的語料庫中每篇論文都引用或被至少另一篇論文引用。

全語料庫有2708篇論文。我們得到了一個大小為 1433 個唯一詞的詞匯表。 所有文檔頻率小于 10 的單詞都被刪除。

2 簡易GCN

2.1?torch_geometric.nn中有的模型

在torch_geometric.nn — pytorch_geometric 2.0.1 documentation (pytorch-geometric.readthedocs.io)

列舉了torch_geometric.nn中有的模型

2.2 簡易模型

2.2.1 導(dǎo)入庫

import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv

2.2.2 設(shè)計模型

class Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = GCNConv(dataset.num_node_features, 16)#兩層GCN，輸入是每個節(jié)點(diǎn)的num_node_features維特征，輸出是16維向量self.conv2 = GCNConv(16, dataset.num_classes)#兩層GCN，輸入是16維向量，輸出是點(diǎn)有的類別數(shù)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)#GCN1'''forward(x: torch.Tensor, edge_index: Union[torch.Tensor, torch_sparse.tensor.SparseTensor],edge_weight: Optional[torch.Tensor] = None) → torch.Tensor'''x = F.relu(x)x = F.dropout(x, training=self.training)x = self.conv2(x, edge_index)return F.log_softmax(x, dim=1)

2.2.3 訓(xùn)練模型

model = Net() optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) #優(yōu)化函數(shù)loss_func=F.nll_lossmodel.train() for epoch in range(200):optimizer.zero_grad() #清空上一步殘余的參數(shù)更新值out = model(data)loss = loss_func(out[data.train_mask], data.y[data.train_mask]) #計算誤差loss.backward() #清空上一步殘余的參數(shù)更新值optimizer.step()#將參數(shù)更新值施加到net的parameters上

?2.2.4 測試模型

model.eval() _, pred = model(data).max(dim=1) #預(yù)測結(jié)果correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()) acc = correct / int(data.test_mask.sum()) print('Accuracy: {:.4f}'.format(acc)) #Accuracy: 0.8080

總結(jié)

以上是生活随笔為你收集整理的torch_geometric 笔记： 数据集Cora 简易 GNN的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。