个人中心
文章发布
退出
作者热门文章
- Java锁的逻辑（结合对象头和ObjectMonitor）
- 还在用饼状图？来瞧瞧这些炫酷的百分比可视化新图形（附代码实现）⛵
- 自动注册实体类到EntityFrameworkCore上下文，并适配ABP及ABPVNext
- 基于Sklearn机器学习代码实战
26
4
图神经网络（GNN）目前的主流实现方式就是节点之间的信息汇聚，也就是类似于卷积网络的邻域加权和，比如图卷积网络（GCN）、图注意力网络（GAT）等。下面根据GCN的实现原理使用Pytorch张量，和调用torch_geometric包，分别对Cora数据集进行节点分类实验.
Cora是关于科学文献之间引用关系的图结构数据集。数据集包含一个图，图中包括2708篇文献（节点）和10556个引用关系（边）。其中每个节点都有一个1433维的特征向量，即文献内容的嵌入向量。文献被分为七个类别：计算机科学、物理学等.
对于某个GCN层，假设输入图的节点特征为$X\in R^{|V|\times F_{in}}$，边索引表示为序号数组$Ei\in R^{2\times |E|}$，GCN层输出$Y\in R^{|V|\times F_{out}}$。计算流程如下:
0、根据$Ei$获得邻接矩阵$A_0\in R^{|V|\times |V|}$.
1、为了将节点自身信息汇聚进去，每个节点添加指向自己的边，即 $A=A_0+I$，其中$I$为单位矩阵.
2、计算度（出或入）矩阵 $D$，其中 $D_{ii}=\sum_j A_{ij}$ 表示第 $i$ 个节点的度数。$D$为对角阵.
3、计算对称归一化矩阵 $\hat{D}$，其中 $\hat{D}_{ii}=1/\sqrt{D_{ii}}$.
4、构建对称归一化邻接矩阵 $\tilde{A}$，其中 $\tilde{A}= \hat{D} A \hat{D}$.
5、计算节点特征向量的线性变换，即 $Y = \tilde{A} X W$，其中 $X$ 表示输入的节点特征向量，$W\in R^{F_{in}\times F_{out}}$ 为GCN层中待训练的权重矩阵.
即:
$Y=D^{-0.5}(A_0+I)D^{-0.5}XW$ 。
在torch_geometric包中，normalize参数控制是否使用度矩阵$D$归一化；cached控制是否缓存$D$，如果每次输入都是相同结构的图，则可以设置为True，即所谓转导学习（transductive learning）。另外，可以看到GCN的实现只考虑了节点的特征，没有考虑边的特征，仅仅通过聚合引入边的连接信息.
Cora的图数据存放在torch_geometric的Data类中。Data主要包含节点特征$X\in R^{|V|\times F_v}$、边索引$Ei\in R^{2\times |E|}$、边特征$Ea\in R^{|E|\times F_e}$等变量。首先导出Cora数据:
from
torch_geometric.datasets
import
Planetoid
cora
= Planetoid(root=
'
./data
'
, name=
'
Cora
'
)[0]
print
(cora)
构建GCN，训练并测试.
import
torch
from
torch
import
nn
from
torch_geometric.nn
import
GCNConv
import
torch.nn.functional as F
from
torch.optim
import
Adam
class
GCN(nn.Module):
def
__init__
(self, in_channels, hidden_channels, class_n):
super(GCN, self).
__init__
()
self.conv1
=
GCNConv(in_channels, hidden_channels)
self.conv2
=
GCNConv(hidden_channels, class_n)
def
forward(self, x, edge_index):
x
=
torch.relu(self.conv1(x, edge_index))
x
= torch.dropout(x, p=0.5, train=
self.training)
x
=
self.conv2(x, edge_index)
return
torch.log_softmax(x, dim=1
)
model
= GCN(cora.num_features, 16, cora.y.unique().shape[0]).to(
'
cuda
'
)
opt
= Adam(model.parameters(), 0.01, weight_decay=5e-4
)
def
train(its):
model.train()
for
i
in
range(its):
y
=
model(cora.x, cora.edge_index)
loss
=
F.nll_loss(y[cora.train_mask], cora.y[cora.train_mask])
loss.backward()
opt.step()
opt.zero_grad()
def
test():
model.eval()
y
=
model(cora.x, cora.edge_index)
right_n
= torch.argmax(y[cora.test_mask], 1) ==
cora.y[cora.test_mask]
acc
= right_n.sum()/
cora.test_mask.sum()
print
(
"
Acc:
"
, acc)
for
i
in
range(15
):
train(
1
)
test()
仅15次迭代就收敛，测试精度如下:
主要区别就是自定义一个My_GCNConv来代替GCNConv，My_GCNConv定义如下:
from
torch
import
nn
from
torch_geometric.utils
import
to_dense_adj
class
My_GCNConv(nn.Module):
def
__init__
(self, in_channels, out_channels):
super(My_GCNConv, self).
__init__
()
self.weight
=
torch.nn.Parameter(nn.init.xavier_normal(torch.zeros(in_channels, out_channels)))
self.bias
=
torch.nn.Parameter(torch.zeros([out_channels]))
def
forward(self, x, edge_index):
adj
=
to_dense_adj(edge_index)[0]
adj
+=
torch.eye(x.shape[0]).to(adj)
dgr
= torch.diag(adj.sum(1)**-0.5
)
y
=
torch.matmul(dgr, adj)
y
=
torch.matmul(y, dgr)
y
=
torch.matmul(y, x)
y
= torch.matmul(y, self.weight) +
self.bias
return
y
其它代码仅将GCNConv修改为My_GCNConv.
下面不使用节点之间的引用关系，仅使用节点特征向量在MLP中进行实验，来验证GCN的有效性.
import
torch
from
torch
import
nn
import
torch.nn.functional as F
from
torch.optim
import
Adam
class
MLP(nn.Module):
def
__init__
(self, in_channels, hidden_channels, class_n):
super(MLP, self).
__init__
()
self.l1
=
nn.Linear(in_channels, hidden_channels)
self.l2
=
nn.Linear(hidden_channels, hidden_channels)
self.l3
=
nn.Linear(hidden_channels, class_n)
def
forward(self, x):
x
=
torch.relu(self.l1(x))
x
=
torch.relu(self.l2(x))
x
= torch.dropout(x, p=0.5, train=
self.training)
x
=
self.l3(x)
return
torch.log_softmax(x, dim=1
)
model
= MLP(cora.num_features, 512, cora.y.unique().shape[0]).to(
'
cuda
'
)
opt
= Adam(model.parameters(), 0.01, weight_decay=5e-4
)
def
train(its):
model.train()
for
i
in
range(its):
y
=
model(cora.x[cora.train_mask])
loss
=
F.nll_loss(y, cora.y[cora.train_mask])
loss.backward()
opt.step()
opt.zero_grad()
def
test():
model.eval()
y
=
model(cora.x[cora.test_mask])
right_n
= torch.argmax(y, 1) ==
cora.y[cora.test_mask]
acc
= right_n.sum()/
cora.test_mask.sum()
print
(
"
Acc:
"
, acc)
for
i
in
range(15
):
train(
30
)
test()
可以看出MLP包含了3层，并且隐层参数比GCN多得多。结果如下:
精度收敛在57%左右，效果比GCN的79%差。说明节点之间的链接关系对节点类别的划分有促进作用，以及GCN的有效性.
最后此篇关于图卷积神经网络分类的pytorch实现的文章就讲到这里了,如果你想了解更多关于图卷积神经网络分类的pytorch实现的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
26
4
0
我是一名优秀的程序员,十分优秀！