前言
在上一篇文章PyG搭建GCN前的准备：了解PyG中的数据格式中，大致了解了PyG中的数据格式，这篇文章主要是简单搭建GCN来实现节点分类，主要目的是了解PyG中GCN的参数情况。
模型搭建
首先导入包：
|
1
|
from torch_geometric.nn import GCNConv |
模型参数：
in_channels：输入通道，比如节点分类中表示每个节点的特征数。
out_channels：输出通道，最后一层GCNConv的输出通道为节点类别数（节点分类）。
improved：如果为True表示自环增加，也就是原始邻接矩阵加上2I而不是I，默认为False。
cached：如果为True，GCNConv在第一次对邻接矩阵进行归一化时会进行缓存，以后将不再重复计算。
add_self_loops：如果为False不再强制添加自环，默认为True。
normalize：默认为True，表示对邻接矩阵进行归一化。
bias：默认添加偏置。
于是模型搭建如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
class GCN(torch.nn.Module): def __init__(self, num_node_features, num_classes): super(GCN, self).__init__() self.conv1 = GCNConv(num_node_features, 16) self.conv2 = GCNConv(16, num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = F.softmax(x, dim=1) return x |
输出一下模型：
|
1
2
3
4
|
data = Planetoid(root='/data/CiteSeer', name='CiteSeer')model = GCN(data.num_node_features, data.num_classes).to(device)print(model)GCN( (conv1): GCNConv(3703, 16) (conv2): GCNConv(16, 6)) |
输出为：
|
1
2
3
4
|
GCN( (conv1): GCNConv(3703, 16) (conv2): GCNConv(16, 6))GCN( (conv1): GCNConv(3703, 16) (conv2): GCNConv(16, 6)) |
1. 前向传播
查看官方文档中GCNConv的输入输出要求：
可以发现，GCNConv中需要输入的是节点特征矩阵x和邻接关系edge_index，还有一个可选项edge_weight。因此我们首先：
|
1
2
3
4
|
x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = F.dropout(x, training=self.training) |
此时我们不妨输出一下x及其size：
|
1
2
3
4
5
6
7
8
|
tensor([[0.0000, 0.1630, 0.0000, ..., 0.0000, 0.0488, 0.0000], [0.0000, 0.2451, 0.1614, ..., 0.0000, 0.0125, 0.0000], [0.1175, 0.0262, 0.2141, ..., 0.2592, 0.0000, 0.0000], ..., [0.0000, 0.0000, 0.0000, ..., 0.0000, 0.1825, 0.0000], [0.0000, 0.1024, 0.0000, ..., 0.0498, 0.0000, 0.0000], [0.0000, 0.3263, 0.0000, ..., 0.0000, 0.0000, 0.0000]], device='cuda:0', grad_fn=<FusedDropoutBackward0>) |
|
1
|
torch.Size([3327, 16]) |
此时的x一共3327行，每一行表示一个节点经过第一层卷积更新后的状态向量。
那么同理，由于：
|
1
|
self.conv2 = GCNConv(16, num_classes) |
所以经过第二层卷积后：
|
1
2
3
|
x = self.conv2(x, edge_index)x = F.relu(x)x = F.dropout(x, training=self.training)x = self.conv2(x, edge_index)x = F.relu(x)x = F.dropout(x, training=self.training) |
此时得到的x的size应该为：
|
1
|
torch.Size([3327, 6]) |
即每个节点的维度为6的状态向量。
由于我们需要进行6分类，所以最后需要加上一个softmax：
|
1
|
x = F.softmax(x, dim=1) |
dim=1表示对每一行进行运算，最终每一行之和加起来为1，也就表示了该节点为每一类的概率。输出此时的x：
|
1
2
3
4
5
6
7
8
|
tensor([[0.1607, 0.1727, 0.1607, 0.1607, 0.1607, 0.1846], [0.1654, 0.1654, 0.1654, 0.1654, 0.1654, 0.1731], [0.1778, 0.1622, 0.1733, 0.1622, 0.1622, 0.1622], ..., [0.1659, 0.1659, 0.1659, 0.1704, 0.1659, 0.1659], [0.1667, 0.1667, 0.1667, 0.1667, 0.1667, 0.1667], [0.1641, 0.1641, 0.1658, 0.1766, 0.1653, 0.1641]], device='cuda:0', grad_fn=<SoftmaxBackward0>)tensor([[0.1607, 0.1727, 0.1607, 0.1607, 0.1607, 0.1846], [0.1654, 0.1654, 0.1654, 0.1654, 0.1654, 0.1731], [0.1778, 0.1622, 0.1733, 0.1622, 0.1622, 0.1622], ..., [0.1659, 0.1659, 0.1659, 0.1704, 0.1659, 0.1659], [0.1667, 0.1667, 0.1667, 0.1667, 0.1667, 0.1667], [0.1641, 0.1641, 0.1658, 0.1766, 0.1653, 0.1641]], device='cuda:0', grad_fn=<SoftmaxBackward0>) |
2. 反向传播
在训练时，我们首先利用前向传播计算出输出：
|
1
|
out = model(data) |
out即为最终得到的每个节点的6个概率值，但在实际训练中，我们只需要计算出训练集的损失，所以损失函数这样写：
|
1
|
loss = loss_function(out[data.train_mask], data.y[data.train_mask]) |
然后计算梯度，反向更新！
3. 训练
训练的完整代码：
|
1
2
3
4
5
6
7
8
9
10
11
|
def train(): optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) loss_function = torch.nn.CrossEntropyLoss().to(device) model.train() for epoch in range(500): out = model(data) optimizer.zero_grad() loss = loss_function(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() print('Epoch {:03d} loss {:.4f}'.format(epoch, loss.item()))def train(): optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) loss_function = torch.nn.CrossEntropyLoss().to(device) model.train() for epoch in range(500): out = model(data) optimizer.zero_grad() loss = loss_function(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() print('Epoch {:03d} loss {:.4f}'.format(epoch, loss.item())) |
4. 测试
我们首先需要算出模型对所有节点的预测值：
|
1
|
model(data) |
此时得到的是每个节点的6个概率值，我们需要在每一行上取其最大值：
|
1
|
model(data).max(dim=1) |
输出一下：
|
1
2
3
4
|
torch.return_types.max(values=tensor([0.9100, 0.9071, 0.9786, ..., 0.4321, 0.4009, 0.8779], device='cuda:0', grad_fn=<MaxBackward0>),indices=tensor([3, 1, 5, ..., 3, 1, 5], device='cuda:0')) |
返回的第一项是每一行的最大值，第二项为最大值在这一行中的索引，我们只需要取第二项，那么最终的预测值应该写为：
|
1
|
_, pred = model(data).max(dim=1) |
然后计算预测精度：
|
1
2
3
|
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())acc = correct / int(data.test_mask.sum())print('GCN Accuracy: {:.4f}'.format(acc)) |
完整代码
完整代码中实现了论文中提到的四种数据集，代码地址：PyG-GCN。
以上就是PyG搭建GCN模型实现节点分类GCNConv参数详解的详细内容，更多关于PyG搭建GCNConv节点分类的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/Cyril_KI/article/details/123457698
