数据挖掘期末-图注意力模型

A橙_

已于 2023-10-09 16:57:19 修改

阅读量1.2k

点赞数 6

分类专栏：数据挖掘文章标签：数据挖掘深度学习 pytorch

于 2022-12-24 10:16:59 首次发布

未经允许不得转载

本文链接：https://blog.csdn.net/Aaron503/article/details/128426214

版权

数据挖掘专栏收录该内容

2 篇文章 1 订阅

订阅专栏

PyGAT图注意力模型

PyGAT实现的分类器： https://www.aliyundrive.com/s/p7bQgZnYaRf

还在发烧，不是特别清醒，就简单写了写。用GAT进行关系预测，GAT可能是只做中间层，不过本来在GAT这一层就为了能懂就简化了很多地方了，如果再加别的，预测正确率大概率很低。尝试了直接用GAT预测边权(没用稀疏矩阵的版本)，内存不够没办法跑(需要至少100G+)，试了少一些节点，也基本预测不出来，所以这里只介绍GAT基本实现和GAT进行分类。

代码是用ANACONDA的IPYTHON虚拟环境里运行的。

需要安装pytorch，在conda prompt输入以下命令：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

不用conda可以↓，选Pip，得到Pip的命令安装PyTorch。CUDA没有对应的版本就选CPU。

https://pytorch.org/
在这里插入图片描述

GAT

GAT对于一个图，按照其输入的节点特征预测输出新的节点的特征。

GAT是一种能够直接作用于图并且利用其结构信息的卷积神经网络，可用于网络中的半监督学习问题，学习网络中结点的特征与网络结构的信息。主要思想是对每个结点的邻居及其自身的信息作加权平均，按照其输入的节点特征输出新的节点特征。图注意力模型用注意力机制对邻近节点特征加权求和，每个节点可以根据邻节点的特征，为其分配不同的权值，将权重称为注意力系数，然后根据注意力系数进行加权求和，得到节点的新特征。

图注意力模型训练得到的是一个计算好节点的注意力权重的图，得到该图以后，就可以输入节点特征，得到新的节点特征。这个新的特征是什么取决于使用图注意力模型的目的。

GAT模型

假设输入特征维度为x，输出特征维度为y。

GAT是图注意力层+MUTIHEAD机制，MUTIHEAD机制相当于有多个图注意力层，每个层输出是n1，n2，n3…个新特征，最后再将这些特征转变为y个特征，也就是最终输出的特征。

注意力系数计算

构建图注意力层的第一步是计算注意力系数，对所有节点计算他的所有相邻节点的注意力系数。计算注意力系数公式如下：

在这里插入图片描述

•eij：节点i对邻居j的注意力系数

•W：可学习的参数矩阵

•a：可学习参数，一个向量，将多维特征转化为一个数

得到注意力系数后，将该节点与所有邻居节点的注意力系数做归一化处理，就得到了注意力系数。这个归一化是指数归一化，并且归一化之前要使用L e a k y R e L U 进行非线性激活。归一后就得到了节点i和节点j的注意力系数。

在这里插入图片描述

聚合

得到计算好的注意力系数，将特征进行加权求和，经激活函数激活后就得到了每个节点的新特征。

在这里插入图片描述

计算的例子

https://zhuanlan.zhihu.com/p/412270208这里有一个图注意力模型的具体的计算的例子，可以看一下，就知道GAT是怎么由输入得到输出的了，这里的GAT代码是PyGAT的官方代码，对cora数据集分类，如果能看懂就知道GAT怎么用了，或者可以看看开头文件里的代码，用了PyGAT的模型，训练的部分简化了，删除了稀疏矩阵运算的版本。

模型定义

图注意力层的定义如下：

class GraphAttentionLayer(nn.Module):
    """
    Simple GAT layer, similar to https://arxiv.org/abs/1710.10903
    """
    def __init__(self, in_features, out_features, dropout, alpha, concat=True):
        super(GraphAttentionLayer, self).__init__()
        self.dropout = dropout								#dropout表示随机放弃多少邻节点，一般0.2
        self.in_features = in_features						#输入特征
        self.out_features = out_features				 	#输出特征
        self.alpha = alpha									#激活函数用的参数，0.2
        self.concat = concat
        self.W = nn.Parameter(torch.empty(size=(in_features, out_features)))	#参数矩阵W
        nn.init.xavier_uniform_(self.W.data, gain=1.414)						#初始化
        self.a = nn.Parameter(torch.empty(size=(2*out_features, 1)))			#参数向量a
        nn.init.xavier_uniform_(self.a.data, gain=1.414)						#初始化
        self.leakyrelu = nn.LeakyReLU(self.alpha)								#激活函数

注意力层计算的过程在forward函数中，输入是h，原特征矩阵，输出是新特征矩阵。

    def forward(self, h, adj):
        Wh = torch.mm(h, self.W) # h.shape: (N, in_features), Wh.shape: (N, out_features)
        e = self._prepare_attentional_mechanism_input(Wh)						
        zero_vec = -9e15*torch.ones_like(e)
        attention = torch.where(adj > 0, e, zero_vec)							#邻接矩阵为0的位置表示没有边，注意力系数为0
        attention = F.softmax(attention, dim=1)									#指数归一化
        attention = F.dropout(attention, self.dropout, training=self.training)  #drop 0.2 的邻节点的注意力系数
        h_prime = torch.matmul(attention, Wh)									#输出特征
        if self.concat:
            return F.elu(h_prime)												#激活后的输出特征
        else:
            return h_prime

GAT模型就是在图注意力层基础上MUTIHEAD机制的实现，但是MUTIHEAD机制不是图注意力模型必须的，只有1个图注意力层就可以算是一个图注意力模型了。
下面看一下GAT模型的定义，MUTIHEAD机制的实现不重要，所以不看具体实现，只看参数。init中，nfeat是输入特征的维度，nhid是中间层，也就是如果有多个注意力层的情况下，注意力层的输出特征维度，nclass是最终的输出维度，因为这个GAT实现的是一个分类器，所以输出特征数就是类别数，即如果有n类，输出特征就应该有n个，每个输出值表示该样本是该类别的概率。例如每个样本都有一些自己的特征，一共有三类，把特征以及该样本和其他样本的关系输入到训练好的GAT，输出特征是0.1,0.5,0.4，就表示该样本是第一类，第二类，第三类的概率是0.1,0.5,0.4。至于为什么输出是概率，就涉及到模型训练的损失函数了，这部分内容可以看一下交叉熵相关的知识。

class GAT(nn.Module):
    def __init__(self, nfeat, nhid, nclass, dropout, alpha, nheads):
    def forward(self, x, adj):

模型训练

GAT能把输入特征变换为输出特征，是需要训练的。GAT一共两个可变参数，参数矩阵W和参数a，已经在模型定义时用nn.Parameter声明成参数了，接下来只要定义训练函数，就能训练出合适的模型了。

怎么训练出合适的模型，让模型能够得到预期的输出，取决于模型的任务。对于分类任务来说，应该用已有数据的标签来训练模型，让模型得到的样本标签能够尽量贴近真实标签。

首先要实例化一个模型，假设实例化一个三分类GAT模型：

hidden = int(labels.max()) + 1                  #直接把中间层特征数也设置成输出特征数了
model = GAT(nfeat=features.shape[1], 
            nhid=hidden,                        #中间层特征数,模型可以在每一层有不同的输出特征数
            nclass=int(labels.max()) + 1,       #类别即输出特征数
            dropout=0.2, 
            nheads= 1, 
            alpha=0.2)

训练模型用的优化器也要实例化一个：

patience = 100 #100次LOSS没有下降，就停止训练
epochs = 1000
optimizer = optim.Adam(model.parameters(), 
                       lr=0.001,                #学习率，训练慢了可以调大一点 
                       weight_decay=5e-4)

单轮次的训练就是用GAT算输出，然后用输出和正确结果计算损失，然后使用优化器进行优化，优化器会优化参数。损失函数就是上面提到的交叉熵。其中labels是ONEHOT编码，例如有三个类别type1，type2，type3，编码就是001,010,100，至于为什么使用ONEHOT编码，这也是和交叉熵有关的。

def train(epoch):
    t = time.time()
    model.train()
    optimizer.zero_grad()
    output = model(features, adj)										# 算输出
    loss_train = F.nll_loss(output[idx_train], labels[idx_train])		# nll_loss损失函数
    acc_train = accuracy(output[idx_train], labels[idx_train])
    loss_train.backward()
    optimizer.step()													# 使用优化器优化
    loss_val = F.nll_loss(output[idx_train], labels[idx_train])
    acc_val = accuracy(output[idx_train], labels[idx_train])
    # 输出单轮训练结果
    print('Epoch: {:04d}'.format(epoch+1),
          'loss_train: {:.4f}'.format(loss_train.data.item()),
          'acc_train: {:.4f}'.format(acc_train.data.item()),
          'loss_val: {:.4f}'.format(loss_val.data.item()),
          'acc_val: {:.4f}'.format(acc_val.data.item()),
          'time: {:.4f}s'.format(time.time() - t))
    return loss_val.data.item()

这样的训练进行多轮，直到所有轮次训练完或者损失函数算的loss值不再变化。

t_total = time.time()
loss_values = []
bad_counter = 0
best = epochs + 1
best_epoch = 0
for epoch in range(epochs):
    loss_values.append(train(epoch))
    torch.save(model.state_dict(), '{}.pkl'.format(epoch))
    if loss_values[-1] < best:
        best = loss_values[-1]
        best_epoch = epoch
        bad_counter = 0
    else:
        bad_counter += 1

    if bad_counter == patience:
        break
    files = glob.glob('*.pkl')
    for file in files:
        epoch_nb = int(file.split('.')[0])
        if epoch_nb < best_epoch:
            os.remove(file)