图神经网络——制作数据集

最新推荐文章于 2024-03-28 07:14:54 发布
最新推荐文章于 2024-03-28 07:14:54 发布
阅读量4.1k 收藏 34
点赞数 10
文章标签： 机器学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Dream19961996/article/details/115679021
版权

目前看来，很多图神经网络（GAT/GCN）都有使用cora数据集，但是怎么更换为自己的数据集？

——————>难道是换成类似的形式？.x .allx这些，emmmm，曾经我有产生这个疯狂的想法。

GAT/GCN的作者在github上已经说明了滴，主要是构建邻接矩阵、特征矩阵以及one-hot形式的标签矩阵。
例如，数据集有10242(N)个节点，每个节点拥有6(F)个特征，32©个类别
那么你的邻接矩阵维度就是(10242,10242), 特征矩阵就是(10242,6),标签矩阵就是(10242,32).

温馨提示：Pytorch的GAT稀疏版本有问题，因此建议大家使用Tf的。

如果大哥们关于制作数据集还有问题，留言即可。另外我是做图像分割的，小菜鸡欢迎各位大佬交流讨论呀！

qq_1248742467
关注
  • 10
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 31
    评论
图神经网络基础--超大规模数据集类的创建
发呆的比目鱼的博客
09-27 1097
图神经网络基础--超大规模数据集类的创建
图神经网络GNN(一): 简单图论与PyG中图数据集的表示及其使用
Miracle8070
06-14 4696
1. 写在前面 这个系列整理的关于GNN的相关基础知识， 图深度学习是一个新兴的研究领域，将深度学习与图数据连接了起来，推动现实中图预测应用的发展。 之前一直想接触这一块内容，但总找不到能入门的好方法，而这次正好Datawhale有组队学习课，有大佬亲自带队学习入门，不犹豫，走起(感谢组织)。所以这个系列是参加GNN组队学习的相关知识沉淀， 希望能对GNN有一个好的入门吧 ???? 这篇文章是简单的图论知识，以及环境的相关搭建内容， 算作对图的一个初识， 在简单的图论知识介绍里面，基本上是数据结构里面图的有
从零构建自己的神经网络————数据集篇
weixin_44984007的博客
03-11 2676
例如，可以将图片文件命名为1.jpg，2.jpg，3.jpg等，对应的标注文件命名为1.txt，2.txt，3.txt等。其中，txt_path是包含数据集信息的文本文件的路径，transform是对数据集进行预处理的函数或变换。每张图片都有一个唯一的标识符（比如图片的文件名或者数据库中的id），在数据库中与该图片对应的标注数据也被存储在同一行中，这样可以确保图片和标注一一对应。因此，这段代码的含义是创建一个能够将dataset中的数据分批次加载的数据加载器，每个批次包含3个随机排列的数据样本。
图神经网络数据集
baye_DOA的博客
10-18 537
GNN数据集 ，pytorch
（一）人工智能，深度学习，卷积神经网络，keras 自己制作数据集 ，自己搭建模型， 对多种类图片进行分类 ，史上最详细。 tensorflow，小白必备，代码讲解，多图预警，
a721867783的博客
06-18 2859
阶段性工作总结吧， 按照我下面的方法。最白的小白，也能轻松上车，因为它无敌般的详细 1 准备工作 1， 首先配置keras程序环境，具体安装步骤可参考我上一篇博客： https://blog.csdn.net/a721867783/article/details/89682176 2， 数据集准备： 我们把多种图片，按种类划分分为不同的文件夹。 也就是每个种类文件夹只包含一个种类的图片。让后把所...
图卷积神经网络笔记——第五章：（2）基于PyG库构造自己的数据集&查阅其他GCN方法
Ma Sizhou
07-24 6222
上一小节: 链接. 这一小节看基于PyG库构造自己的数据集和查阅其他GCN方法 目录一、构造自己的数据集 一、构造自己的数据集
图神经网络/GNN(七)-超大规模数据集类的创建+图预测任务实践
weixin_41968248的博客
07-09 833
麻烦助教稍等修改一会哈，还在补充中…谢谢~
【图神经网络】Pytorch图神经网络库——PyG创建自己的数据集
小哲的博客
12-24 2690
对于数据集的创建涉及到两个类:和，其中第二个是第一个的子类，如果希望全部数据都在内存里则需要使用第二个类。每个数据集需要提供文件夹路径作为参数，其中一个存储数据集的源文件，而另一个参数存储处理过的文件。每个数据集都会经过,,三个函数，默认是。第一个函数在使用前动态的转化数据对象（所以最好用于数据增强）；第二个函数是将数据集存储在磁盘前的转换函数（最好用于仅需做一次的大量预计算任务）；最后一个函数在存储前过滤一些对象。为了创建这个数据集，需要实现下面四个基本方法：对于其他更高级的方法参考。 下面是一个简单的例
【PyG】创建自己的数据集-图神经网络
C橘子
12-28 5134
使用PyG创建自己的图数据集~
十七、完整神经网络模型训练步骤
beyond谚语的博客
08-23 2583
这里使用随机梯度下降SGD优化器，设置自动学习速率，每轮的学习速率会乘以0.1，随着训练次数的增加，学习速率会变小十四、OPTIM。
不同风格的卡通形象数据集
02-18
CartoonGAN是一种基于生成对抗网络（GANs）的架构，它由两个神经网络——生成器（Generator）和判别器（Discriminator）组成，通过对抗性学习过程，生成器学习如何生成逼真的卡通图像，而判别器则试图区分真实卡通...
anime-faces-data卡通头像数据集
08-14
《动漫头像数据集——anime-faces-data的深度解析与应用》 在当前的数字时代，数据集在人工智能和机器学习领域扮演着至关重要的角色。本文将深入探讨一个专门针对动漫头像的数据集——"anime-faces-data"，并阐述其...
生成对抗网络（GAN）实例 代码+数据集
04-18
GANs的核心是通过两个神经网络——生成器（Generator）和判别器（Discriminator）之间的博弈来学习数据分布。在这个实例中，我们将探讨如何使用GAN来生成手写数字图像，基于提供的vanilla_gan代码和MNIST_data数据集...
【CVPR 2020】StarGan V2数据集afhq.zip
03-04
GANs是一种深度学习模型，由两个神经网络——生成器（Generator）和判别器（Discriminator）组成，它们在训练过程中相互竞争，生成器尝试伪造真实的数据，而判别器则试图区分真实数据和生成器产生的假数据。...
骰子点数识别.zip的VOC数据集
11-11
这个“骰子点数识别.zip的VOC数据集”显然是一种针对特定对象——骰子点数的定制版。在深度学习中，目标检测是一项关键技术，它旨在定位并识别图像中的各个对象。这项任务对于自动化、机器人技术、自动驾驶等领域...
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 4127
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络：(节点分类)自定义数据实现图神经网络
zhishichengjin的博客
05-03 1706
图神经网络：在自定义数据集动手实现图神经网络。
ubuntu深度学习使用TensorFlow卷积神经网络——图片数据集的制作以及制作好的数据集的使用
m0_59799878的博客
05-09 2498
里面有imgs目录和npy目录，imgs就是存放5分类的图片的目录，里面有桂花、枫叶、五味子、银杏、竹叶5种植物，npy目录存放的是我用这些图片制作好的npy文件数据集，里面有32x32大小和64x64大小的npy文件。上面的数据集已经做好了，那么接下来就到模型的训练了，模型的训练我就不一一解释了，大家自己看代码，我使用的是anaconda中的jupyter工具写代码。定义标签数字，因为数据集标签一般是数字，训练才更快。下面是保存训练集和测试集的数据集和标签。
图神经网络：(节点分类)Cora数据集实现图神经网络
zhishichengjin的博客
05-02 3014
图神经网路：在Cora上动手实现图神经网络
图神经网络复读取数据集的代码
最新发布
04-28
当使用图神经网络进行数据集的复读时，通常需要使用一些库和工具来加载和处理图数据。以下是一个示例代码，展示了如何使用DGL库来加载和处理图数据集： ```python import dgl from dgl.data import citation_graph # 加载数据集 dataset = citation_graph.load_cora() # 创建图 g = dataset # 打印图的信息 print('Number of nodes:', g.number_of_nodes()) print('Number of edges:', g.number_of_edges()) # 获取节点特征和标签 features = g.ndata['feat'] labels = g.ndata['label'] # 打印节点特征和标签的维度 print('Feature shape:', features.shape) print('Label shape:', labels.shape) ``` 在这个示例中，我们使用了DGL库来加载一个名为Cora的图数据集。首先，我们通过调用`citation_graph.load_cora()`函数加载Cora数据集。然后，我们从数据集中获取第一个图对象`g`。我们可以使用`g.number_of()`和`g.number_of_edges()`函数获取图的节点数和边数。 接下来，我们可以通过访问`g.ndata`字典来获取节点特征和标签。在这个示例中，我们假设节点特征保存在`'feat'`键下，标签保存在`'label'`键下。我们可以使用`features.shape`和`labels.shape`来获取节点特征和标签的维度。 请注意，这只是一个示例代码，实际使用时可能需要根据具体的数据集和图神经网络模型进行适当的修改。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 31
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值