标签传播算法

最新推荐文章于 2024-09-08 19:15:50 发布
最新推荐文章于 2024-09-08 19:15:50 发布
阅读量5k 收藏 21
点赞数 9
分类专栏： 机器学习 文章标签： 机器学习 半监督学习

标签传播算法（Label Propagation）及Python实现

zouxy09@qq.com

http://blog.csdn.net/zouxy09

 

       众所周知，机器学习可以大体分为三大类：监督学习、非监督学习和半监督学习。监督学习可以认为是我们有非常多的labeled标注数据来train一个模型，期待这个模型能学习到数据的分布，以期对未来没有见到的样本做预测。那这个性能的源头--训练数据，就显得非常感觉。你必须有足够的训练数据，以覆盖真正现实数据中的样本分布才可以，这样学习到的模型才有意义。那非监督学习就是没有任何的labeled数据，就是平时所说的聚类了，利用他们本身的数据分布，给他们划分类别。而半监督学习，顾名思义就是处于两者之间的，只有少量的labeled数据，我们试图从这少量的labeled数据和大量的unlabeled数据中学习到有用的信息。

一、半监督学习

       半监督学习（Semi-supervised learning）发挥作用的场合是：你的数据有一些有label，一些没有。而且一般是绝大部分都没有，只有少许几个有label。半监督学习算法会充分的利用unlabeled数据来捕捉我们整个数据的潜在分布。它基于三大假设：

       1）Smoothness平滑假设：相似的数据具有相同的label。

       2）Cluster聚类假设：处于同一个聚类下的数据具有相同label。

       3）Manifold流形假设：处于同一流形结构下的数据具有相同label。

       例如下图，只有两个labeled数据，如果直接用他们来训练一个分类器，例如LR或者SVM，那么学出来的分类面就是左图那样的。如果现实中，这个数据是右图那边分布的话，猪都看得出来，左图训练的这个分类器烂的一塌糊涂、惨不忍睹。因为我们的labeled训练数据太少了，都没办法覆盖我们未来可能遇到的情况。但是，如果右图那样，把大量的unlabeled数据（黑色的）都考虑进来，有个全局观念，牛逼的算法会发现，哎哟，原来是两个圈圈（分别处于两个圆形的流形之上）！那算法就很聪明，把大圈的数据都归类为红色类别，把内圈的数据都归类为蓝色类别。因为，实践中，labeled数据是昂贵，很难获得的，但unlabeled数据就不是了，写个脚本在网上爬就可以了，因此如果能充分利用大量的unlabeled数据来辅助提升我们的模型学习，这个价值就非常大。

       半监督学习算法有很多，下面我们介绍最简单的标签传播算法（label propagation），最喜欢简单了，哈哈。

二、标签传播算法

       标签传播算法（label propagation）的核心思想非常简单：相似的数据应该具有相同的label。LP算法包括两大步骤：1）构造相似矩阵；2）勇敢的传播吧。

2.1、相似矩阵构建

       LP算法是基于Graph的，因此我们需要先构建一个图。我们为所有的数据构建一个图，图的节点就是一个数据点，包含labeled和unlabeled的数据。节点i和节点j的边表示他们的相似度。这个图的构建方法有很多，这里我们假设这个图是全连接的，节点i和节点j的边权重为：

       这里，α是超参。

       还有个非常常用的图构建方法是knn图，也就是只保留每个节点的k近邻权重，其他的为0，也就是不存在边，因此是稀疏的相似矩阵。

2.2、LP算法

       标签传播算法非常简单：通过节点之间的边传播label。边的权重越大，表示两个节点越相似，那么label越容易传播过去。我们定义一个NxN的概率转移矩阵P：

       Pij表示从节点i转移到节点j的概率。假设有C个类和L个labeled样本，我们定义一个LxC的label矩阵YL，第i行表示第i个样本的标签指示向量，即如果第i个样本的类别是j，那么该行的第j个元素为1，其他为0。同样，我们也给U个unlabeled样本一个UxC的label矩阵YU。把他们合并，我们得到一个NxC的soft label矩阵F=[YL;YU]。soft label的意思是，我们保留样本i属于每个类别的概率，而不是互斥性的，这个样本以概率1只属于一个类。当然了，最后确定这个样本i的类别的时候，是取max也就是概率最大的那个类作为它的类别的。那F里面有个YU，它一开始是不知道的，那最开始的值是多少？无所谓，随便设置一个值就可以了。

       千呼万唤始出来，简单的LP算法如下：

       1）执行传播：F=PF

       2）重置F中labeled样本的标签：FL=YL

       3）重复步骤1）和2）直到F收敛。

       步骤1）就是将矩阵P和矩阵F相乘，这一步，每个节点都将自己的label以P确定的概率传播给其他节点。如果两个节点越相似（在欧式空间中距离越近），那么对方的label就越容易被自己的label赋予，就是更容易拉帮结派。步骤2）非常关键，因为labeled数据的label是事先确定的，它不能被带跑，所以每次传播完，它都得回归它本来的label。随着labeled数据不断的将自己的label传播出去，最后的类边界会穿越高密度区域，而停留在低密度的间隔中。相当于每个不同类别的labeled样本划分了势力范围。

2.3、变身的LP算法

       我们知道，我们每次迭代都是计算一个soft label矩阵F=[YL;YU]，但是YL是已知的，计算它没有什么用，在步骤2）的时候，还得把它弄回来。我们关心的只是YU，那我们能不能只计算YU呢？Yes。我们将矩阵P做以下划分：

       这时候，我们的算法就一个运算：

       迭代上面这个步骤直到收敛就ok了，是不是很cool。可以看到FU不但取决于labeled数据的标签及其转移概率，还取决了unlabeled数据的当前label和转移概率。因此LP算法能额外运用unlabeled数据的分布特点。

       这个算法的收敛性也非常容易证明，具体见参考文献[1]。实际上，它是可以收敛到一个凸解的：

       所以我们也可以直接这样求解，以获得最终的YU。但是在实际的应用过程中，由于矩阵求逆需要O(n3)的复杂度，所以如果unlabeled数据非常多，那么I – PUU矩阵的求逆将会非常耗时，因此这时候一般选择迭代算法来实现。

三、LP算法的Python实现

       Python环境的搭建就不啰嗦了，可以参考前面的博客。需要额外依赖的库是经典的numpy和matplotlib。代码中包含了两种图的构建方法：RBF和KNN指定。同时，自己生成了两个toy数据库：两条长形形状和两个圈圈的数据。第四部分我们用大点的数据库来做实验，先简单的可视化验证代码的正确性，再前线。

       算法代码：

[python]  view plain  copy
  1. #***************************************************************************  
  2. #*   
  3. #* Description: label propagation  
  4. #* Author: Zou Xiaoyi (zouxy09@qq.com)  
  5. #* Date:   2015-10-15  
  6. #* HomePage: http://blog.csdn.net/zouxy09  
  7. #*   
  8. #**************************************************************************  
  9.   
  10. import time  
  11. import numpy as np  
  12.   
  13. # return k neighbors index  
  14. def navie_knn(dataSet, query, k):  
  15.     numSamples = dataSet.shape[0]  
  16.   
  17.     ## step 1: calculate Euclidean distance  
  18.     diff = np.tile(query, (numSamples, 1)) - dataSet  
  19.     squaredDiff = diff ** 2  
  20.     squaredDist = np.sum(squaredDiff, axis = 1) # sum is performed by row  
  21.   
  22.     ## step 2: sort the distance  
  23.     sortedDistIndices = np.argsort(squaredDist)  
  24.     if k > len(sortedDistIndices):  
  25.         k = len(sortedDistIndices)  
  26.   
  27.     return sortedDistIndices[0:k]  
  28.   
  29.   
  30. # build a big graph (normalized weight matrix)  
  31. def buildGraph(MatX, kernel_type, rbf_sigma = None, knn_num_neighbors = None):  
  32.     num_samples = MatX.shape[0]  
  33.     affinity_matrix = np.zeros((num_samples, num_samples), np.float32)  
  34.     if kernel_type == 'rbf':  
  35.         if rbf_sigma == None:  
  36.             raise ValueError('You should input a sigma of rbf kernel!')  
  37.         for i in xrange(num_samples):  
  38.             row_sum = 0.0  
  39.             for j in xrange(num_samples):  
  40.                 diff = MatX[i, :] - MatX[j, :]  
  41.                 affinity_matrix[i][j] = np.exp(sum(diff**2) / (-2.0 * rbf_sigma**2))  
  42.                 row_sum += affinity_matrix[i][j]  
  43.             affinity_matrix[i][:] /= row_sum  
  44.     elif kernel_type == 'knn':  
  45.         if knn_num_neighbors == None:  
  46.             raise ValueError('You should input a k of knn kernel!')  
  47.         for i in xrange(num_samples):  
  48.             k_neighbors = navie_knn(MatX, MatX[i, :], knn_num_neighbors)  
  49.             affinity_matrix[i][k_neighbors] = 1.0 / knn_num_neighbors  
  50.     else:  
  51.         raise NameError('Not support kernel type! You can use knn or rbf!')  
  52.       
  53.     return affinity_matrix  
  54.   
  55.   
  56. # label propagation  
  57. def labelPropagation(Mat_Label, Mat_Unlabel, labels, kernel_type = 'rbf', rbf_sigma = 1.5, \  
  58.                     knn_num_neighbors = 10, max_iter = 500, tol = 1e-3):  
  59.     # initialize  
  60.     num_label_samples = Mat_Label.shape[0]  
  61.     num_unlabel_samples = Mat_Unlabel.shape[0]  
  62.     num_samples = num_label_samples + num_unlabel_samples  
  63.     labels_list = np.unique(labels)  
  64.     num_classes = len(labels_list)  
  65.       
  66.     MatX = np.vstack((Mat_Label, Mat_Unlabel))  
  67.     clamp_data_label = np.zeros((num_label_samples, num_classes), np.float32)  
  68.     for i in xrange(num_label_samples):  
  69.         clamp_data_label[i][labels[i]] = 1.0  
  70.       
  71.     label_function = np.zeros((num_samples, num_classes), np.float32)  
  72.     label_function[0 : num_label_samples] = clamp_data_label  
  73.     label_function[num_label_samples : num_samples] = -1  
  74.       
  75.     # graph construction  
  76.     affinity_matrix = buildGraph(MatX, kernel_type, rbf_sigma, knn_num_neighbors)  
  77.       
  78.     # start to propagation  
  79.     iter = 0; pre_label_function = np.zeros((num_samples, num_classes), np.float32)  
  80.     changed = np.abs(pre_label_function - label_function).sum()  
  81.     while iter < max_iter and changed > tol:  
  82.         if iter % 1 == 0:  
  83.             print "---> Iteration %d/%d, changed: %f" % (iter, max_iter, changed)  
  84.         pre_label_function = label_function  
  85.         iter += 1  
  86.           
  87.         # propagation  
  88.         label_function = np.dot(affinity_matrix, label_function)  
  89.           
  90.         # clamp  
  91.         label_function[0 : num_label_samples] = clamp_data_label  
  92.           
  93.         # check converge  
  94.         changed = np.abs(pre_label_function - label_function).sum()  
  95.       
  96.     # get terminate label of unlabeled data  
  97.     unlabel_data_labels = np.zeros(num_unlabel_samples)  
  98.     for i in xrange(num_unlabel_samples):  
  99.         unlabel_data_labels[i] = np.argmax(label_function[i+num_label_samples])  
  100.       
  101.     return unlabel_data_labels  

       测试代码：

[python]  view plain  copy
  1. #***************************************************************************  
  2. #*   
  3. #* Description: label propagation  
  4. #* Author: Zou Xiaoyi (zouxy09@qq.com)  
  5. #* Date:   2015-10-15  
  6. #* HomePage: http://blog.csdn.net/zouxy09  
  7. #*   
  8. #**************************************************************************  
  9.   
  10. import time  
  11. import math  
  12. import numpy as np  
  13. from label_propagation import labelPropagation  
  14.   
  15. # show  
  16. def show(Mat_Label, labels, Mat_Unlabel, unlabel_data_labels):   
  17.     import matplotlib.pyplot as plt   
  18.       
  19.     for i in range(Mat_Label.shape[0]):  
  20.         if int(labels[i]) == 0:    
  21.             plt.plot(Mat_Label[i, 0], Mat_Label[i, 1], 'Dr')    
  22.         elif int(labels[i]) == 1:    
  23.             plt.plot(Mat_Label[i, 0], Mat_Label[i, 1], 'Db')  
  24.         else:  
  25.             plt.plot(Mat_Label[i, 0], Mat_Label[i, 1], 'Dy')  
  26.       
  27.     for i in range(Mat_Unlabel.shape[0]):  
  28.         if int(unlabel_data_labels[i]) == 0:    
  29.             plt.plot(Mat_Unlabel[i, 0], Mat_Unlabel[i, 1], 'or')    
  30.         elif int(unlabel_data_labels[i]) == 1:    
  31.             plt.plot(Mat_Unlabel[i, 0], Mat_Unlabel[i, 1], 'ob')  
  32.         else:  
  33.             plt.plot(Mat_Unlabel[i, 0], Mat_Unlabel[i, 1], 'oy')  
  34.       
  35.     plt.xlabel('X1'); plt.ylabel('X2')   
  36.     plt.xlim(0.0, 12.)  
  37.     plt.ylim(0.0, 12.)  
  38.     plt.show()    
  39.   
  40.   
  41. def loadCircleData(num_data):  
  42.     center = np.array([5.0, 5.0])  
  43.     radiu_inner = 2  
  44.     radiu_outer = 4  
  45.     num_inner = num_data / 3  
  46.     num_outer = num_data - num_inner  
  47.       
  48.     data = []  
  49.     theta = 0.0  
  50.     for i in range(num_inner):  
  51.         pho = (theta % 360) * math.pi / 180  
  52.         tmp = np.zeros(2, np.float32)  
  53.         tmp[0] = radiu_inner * math.cos(pho) + np.random.rand(1) + center[0]  
  54.         tmp[1] = radiu_inner * math.sin(pho) + np.random.rand(1) + center[1]  
  55.         data.append(tmp)  
  56.         theta += 2  
  57.       
  58.     theta = 0.0  
  59.     for i in range(num_outer):  
  60.         pho = (theta % 360) * math.pi / 180  
  61.         tmp = np.zeros(2, np.float32)  
  62.         tmp[0] = radiu_outer * math.cos(pho) + np.random.rand(1) + center[0]  
  63.         tmp[1] = radiu_outer * math.sin(pho) + np.random.rand(1) + center[1]  
  64.         data.append(tmp)  
  65.         theta += 1  
  66.       
  67.     Mat_Label = np.zeros((2, 2), np.float32)  
  68.     Mat_Label[0] = center + np.array([-radiu_inner + 0.5, 0])  
  69.     Mat_Label[1] = center + np.array([-radiu_outer + 0.5, 0])  
  70.     labels = [0, 1]  
  71.     Mat_Unlabel = np.vstack(data)  
  72.     return Mat_Label, labels, Mat_Unlabel  
  73.   
  74.   
  75. def loadBandData(num_unlabel_samples):  
  76.     #Mat_Label = np.array([[5.0, 2.], [5.0, 8.0]])  
  77.     #labels = [0, 1]  
  78.     #Mat_Unlabel = np.array([[5.1, 2.], [5.0, 8.1]])  
  79.       
  80.     Mat_Label = np.array([[5.0, 2.], [5.0, 8.0]])  
  81.     labels = [0, 1]  
  82.     num_dim = Mat_Label.shape[1]  
  83.     Mat_Unlabel = np.zeros((num_unlabel_samples, num_dim), np.float32)  
  84.     Mat_Unlabel[:num_unlabel_samples/2, :] = (np.random.rand(num_unlabel_samples/2, num_dim) - 0.5) * np.array([3, 1]) + Mat_Label[0]  
  85.     Mat_Unlabel[num_unlabel_samples/2 : num_unlabel_samples, :] = (np.random.rand(num_unlabel_samples/2, num_dim) - 0.5) * np.array([3, 1]) + Mat_Label[1]  
  86.     return Mat_Label, labels, Mat_Unlabel  
  87.   
  88.   
  89. # main function  
  90. if __name__ == "__main__":  
  91.     num_unlabel_samples = 800  
  92.     #Mat_Label, labels, Mat_Unlabel = loadBandData(num_unlabel_samples)  
  93.     Mat_Label, labels, Mat_Unlabel = loadCircleData(num_unlabel_samples)  
  94.       
  95.     ## Notice: when use 'rbf' as our kernel, the choice of hyper parameter 'sigma' is very import! It should be  
  96.     ## chose according to your dataset, specific the distance of two data points. I think it should ensure that  
  97.     ## each point has about 10 knn or w_i,j is large enough. It also influence the speed of converge. So, may be  
  98.     ## 'knn' kernel is better!  
  99.     #unlabel_data_labels = labelPropagation(Mat_Label, Mat_Unlabel, labels, kernel_type = 'rbf', rbf_sigma = 0.2)  
  100.     unlabel_data_labels = labelPropagation(Mat_Label, Mat_Unlabel, labels, kernel_type = 'knn', knn_num_neighbors = 10, max_iter = 400)  
  101.     show(Mat_Label, labels, Mat_Unlabel, unlabel_data_labels)  
  102.       

       该注释的，代码都注释的，有看不明白的，欢迎交流。不同迭代次数时候的结果如下：

       是不是很漂亮的传播过程？！在数值上也是可以看到随着迭代的进行逐渐收敛的，迭代的数值变化过程如下：

[python]  view plain  copy
  1. ---> Iteration 0/400, changed: 1602.000000  
  2. ---> Iteration 1/400, changed: 6.300182  
  3. ---> Iteration 2/400, changed: 5.129996  
  4. ---> Iteration 3/400, changed: 4.301994  
  5. ---> Iteration 4/400, changed: 3.819295  
  6. ---> Iteration 5/400, changed: 3.501743  
  7. ---> Iteration 6/400, changed: 3.277122  
  8. ---> Iteration 7/400, changed: 3.105952  
  9. ---> Iteration 8/400, changed: 2.967030  
  10. ---> Iteration 9/400, changed: 2.848606  
  11. ---> Iteration 10/400, changed: 2.743997  
  12. ---> Iteration 11/400, changed: 2.649270  
  13. ---> Iteration 12/400, changed: 2.562057  
  14. ---> Iteration 13/400, changed: 2.480885  
  15. ---> Iteration 14/400, changed: 2.404774  
  16. ---> Iteration 15/400, changed: 2.333075  
  17. ---> Iteration 16/400, changed: 2.265301  
  18. ---> Iteration 17/400, changed: 2.201107  
  19. ---> Iteration 18/400, changed: 2.140209  
  20. ---> Iteration 19/400, changed: 2.082354  
  21. ---> Iteration 20/400, changed: 2.027376  
  22. ---> Iteration 21/400, changed: 1.975071  
  23. ---> Iteration 22/400, changed: 1.925286  
  24. ---> Iteration 23/400, changed: 1.877894  
  25. ---> Iteration 24/400, changed: 1.832743  
  26. ---> Iteration 25/400, changed: 1.789721  
  27. ---> Iteration 26/400, changed: 1.748706  
  28. ---> Iteration 27/400, changed: 1.709593  
  29. ---> Iteration 28/400, changed: 1.672284  
  30. ---> Iteration 29/400, changed: 1.636668  
  31. ---> Iteration 30/400, changed: 1.602668  
  32. ---> Iteration 31/400, changed: 1.570200  
  33. ---> Iteration 32/400, changed: 1.539179  
  34. ---> Iteration 33/400, changed: 1.509530  
  35. ---> Iteration 34/400, changed: 1.481182  
  36. ---> Iteration 35/400, changed: 1.454066  
  37. ---> Iteration 36/400, changed: 1.428120  
  38. ---> Iteration 37/400, changed: 1.403283  
  39. ---> Iteration 38/400, changed: 1.379502  
  40. ---> Iteration 39/400, changed: 1.356734  
  41. ---> Iteration 40/400, changed: 1.334906  
  42. ---> Iteration 41/400, changed: 1.313983  
  43. ---> Iteration 42/400, changed: 1.293921  
  44. ---> Iteration 43/400, changed: 1.274681  
  45. ---> Iteration 44/400, changed: 1.256214  
  46. ---> Iteration 45/400, changed: 1.238491  
  47. ---> Iteration 46/400, changed: 1.221474  
  48. ---> Iteration 47/400, changed: 1.205126  
  49. ---> Iteration 48/400, changed: 1.189417  
  50. ---> Iteration 49/400, changed: 1.174316  
  51. ---> Iteration 50/400, changed: 1.159804  
  52. ---> Iteration 51/400, changed: 1.145844  
  53. ---> Iteration 52/400, changed: 1.132414  
  54. ---> Iteration 53/400, changed: 1.119490  
  55. ---> Iteration 54/400, changed: 1.107032  
  56. ---> Iteration 55/400, changed: 1.095054  
  57. ---> Iteration 56/400, changed: 1.083513  
  58. ---> Iteration 57/400, changed: 1.072397  
  59. ---> Iteration 58/400, changed: 1.061671  
  60. ---> Iteration 59/400, changed: 1.051324  
  61. ---> Iteration 60/400, changed: 1.041363  
  62. ---> Iteration 61/400, changed: 1.031742  
  63. ---> Iteration 62/400, changed: 1.022459  
  64. ---> Iteration 63/400, changed: 1.013494  
  65. ---> Iteration 64/400, changed: 1.004836  
  66. ---> Iteration 65/400, changed: 0.996484  
  67. ---> Iteration 66/400, changed: 0.988407  
  68. ---> Iteration 67/400, changed: 0.980592  
  69. ---> Iteration 68/400, changed: 0.973045  
  70. ---> Iteration 69/400, changed: 0.965744  
  71. ---> Iteration 70/400, changed: 0.958682  
  72. ---> Iteration 71/400, changed: 0.951848  
  73. ---> Iteration 72/400, changed: 0.945227  
  74. ---> Iteration 73/400, changed: 0.938820  
  75. ---> Iteration 74/400, changed: 0.932608  
  76. ---> Iteration 75/400, changed: 0.926590  
  77. ---> Iteration 76/400, changed: 0.920765  
  78. ---> Iteration 77/400, changed: 0.915107  
  79. ---> Iteration 78/400, changed: 0.909628  
  80. ---> Iteration 79/400, changed: 0.904309  
  81. ---> Iteration 80/400, changed: 0.899143  
  82. ---> Iteration 81/400, changed: 0.894122  
  83. ---> Iteration 82/400, changed: 0.889259  
  84. ---> Iteration 83/400, changed: 0.884530  
  85. ---> Iteration 84/400, changed: 0.879933  
  86. ---> Iteration 85/400, changed: 0.875464  
  87. ---> Iteration 86/400, changed: 0.871121  
  88. ---> Iteration 87/400, changed: 0.866888  
  89. ---> Iteration 88/400, changed: 0.862773  
  90. ---> Iteration 89/400, changed: 0.858783  
  91. ---> Iteration 90/400, changed: 0.854879  
  92. ---> Iteration 91/400, changed: 0.851084  
  93. ---> Iteration 92/400, changed: 0.847382  
  94. ---> Iteration 93/400, changed: 0.843779  
  95. ---> Iteration 94/400, changed: 0.840274  
  96. ---> Iteration 95/400, changed: 0.836842  
  97. ---> Iteration 96/400, changed: 0.833501  
  98. ---> Iteration 97/400, changed: 0.830240  
  99. ---> Iteration 98/400, changed: 0.827051  
  100. ---> Iteration 99/400, changed: 0.823950  
  101. ---> Iteration 100/400, changed: 0.820906  
  102. ---> Iteration 101/400, changed: 0.817946  
  103. ---> Iteration 102/400, changed: 0.815053  
  104. ---> Iteration 103/400, changed: 0.812217  
  105. ---> Iteration 104/400, changed: 0.809437  
  106. ---> Iteration 105/400, changed: 0.806724  
  107. ---> Iteration 106/400, changed: 0.804076  
  108. ---> Iteration 107/400, changed: 0.801480  
  109. ---> Iteration 108/400, changed: 0.798937  
  110. ---> Iteration 109/400, changed: 0.796448  
  111. ---> Iteration 110/400, changed: 0.794008  
  112. ---> Iteration 111/400, changed: 0.791612  
  113. ---> Iteration 112/400, changed: 0.789282  
  114. ---> Iteration 113/400, changed: 0.786984  
  115. ---> Iteration 114/400, changed: 0.784728  
  116. ---> Iteration 115/400, changed: 0.782516  
  117. ---> Iteration 116/400, changed: 0.780355  
  118. ---> Iteration 117/400, changed: 0.778216  
  119. ---> Iteration 118/400, changed: 0.776139  
  120. ---> Iteration 119/400, changed: 0.774087  
  121. ---> Iteration 120/400, changed: 0.772072  
  122. ---> Iteration 121/400, changed: 0.770085  
  123. ---> Iteration 122/400, changed: 0.768146  
  124. ---> Iteration 123/400, changed: 0.766232  
  125. ---> Iteration 124/400, changed: 0.764356  
  126. ---> Iteration 125/400, changed: 0.762504  
  127. ---> Iteration 126/400, changed: 0.760685  
  128. ---> Iteration 127/400, changed: 0.758889  
  129. ---> Iteration 128/400, changed: 0.757135  
  130. ---> Iteration 129/400, changed: 0.755406  

四、LP算法MPI并行实现

       这里，我们测试的是LP的变身版本。从公式，我们可以看到，第二项PULYL迭代过程并没有发生变化，所以这部分实际上从迭代开始就可以计算好，从而避免重复计算。不过，不管怎样，LP算法都要计算一个UxU的矩阵PUU和一个UxC矩阵FU的乘积。当我们的unlabeled数据非常多，而且类别也很多的时候，计算是很慢的，同时占用的内存量也非常大。另外，构造Graph需要计算两两的相似度，也是O(n2)的复杂度，当我们数据的特征维度很大的时候，这个计算量也是非常客观的。所以我们就得考虑并行处理了。而且最好是能放到集群上并行。那如何并行呢？

       对算法的并行化，一般分为两种：数据并行和模型并行。

       数据并行很好理解，就是将数据划分，每个节点只处理一部分数据，例如我们构造图的时候，计算每个数据的k近邻。例如我们有1000个样本和20个CPU节点，那么就平均分发，让每个CPU节点计算50个样本的k近邻，然后最后再合并大家的结果。可见这个加速比也是非常可观的。

       模型并行一般发生在模型很大，无法放到单机的内存里面的时候。例如庞大的深度神经网络训练的时候，就需要把这个网络切开，然后分别求解梯度，最后有个leader的节点来收集大家的梯度，再反馈给大家去更新。当然了，其中存在更细致和高效的工程处理方法。在我们的LP算法中，也是可以做模型并行的。假如我们的类别数C很大，把类别数切开，让不同的CPU节点处理，实际上就相当于模型并行了。

       那为啥不切大矩阵PUU，而是切小点的矩阵FU，因为大矩阵PUU没法独立分块，并行的一个原则是处理必须是独立的。 矩阵FU依赖的是所有的U，而把PUU切开分发到其他节点的时候，每次FU的更新都需要和其他的节点通信，这个通信的代价是很大的（实际上，很多并行系统没法达到线性的加速度的瓶颈是通信！线性加速比是，我增加了n台机器，速度就提升了n倍）。但是对类别C也就是矩阵FU切分，就不会有这个问题，因为他们的计算是独立的。只是决定样本的最终类别的时候，将所有的FU收集回来求max就可以了。

       所以，在下面的代码中，是同时包含了数据并行和模型并行的雏形的。另外，还值得一提的是，我们是迭代算法，那决定什么时候迭代算法停止？除了判断收敛外，我们还可以让每迭代几步，就用测试label测试一次结果，看模型的整体训练性能如何。特别是判断训练是否过拟合的时候非常有效。因此，代码中包含了这部分内容。

       好了，代码终于来了。大家可以搞点大数据库来测试，如果有MPI集群条件的话就更好了。

       下面的代码依赖numpy、scipy（用其稀疏矩阵加速计算）和mpi4py。其中mpi4py需要依赖openmpi和Cpython，可以参考我之前的博客进行安装。

[python]  view plain  copy
  1. #***************************************************************************  
  2. #*   
  3. #* Description: label propagation  
  4. #* Author: Zou Xiaoyi (zouxy09@qq.com)  
  5. #* Date:   2015-10-15  
  6. #* HomePage: http://blog.csdn.net/zouxy09  
  7. #*   
  8. #**************************************************************************  
  9.   
  10. import os, sys, time  
  11. import numpy as np  
  12. from scipy.sparse import csr_matrix, lil_matrix, eye  
  13. import operator  
  14. import cPickle as pickle  
  15. import mpi4py.MPI as MPI  
  16.   
  17. #  
  18. #   Global variables for MPI  
  19. #  
  20.   
  21. # instance for invoking MPI related functions  
  22. comm = MPI.COMM_WORLD  
  23. # the node rank in the whole community  
  24. comm_rank = comm.Get_rank()  
  25. # the size of the whole community, i.e., the total number of working nodes in the MPI cluster  
  26. comm_size = comm.Get_size()  
  27.   
  28. # load mnist dataset  
  29. def load_MNIST():  
  30.     import gzip  
  31.     f = gzip.open("mnist.pkl.gz", "rb")  
  32.     train, val, test = pickle.load(f)  
  33.     f.close()  
  34.       
  35.     Mat_Label = train[0]  
  36.     labels = train[1]  
  37.     Mat_Unlabel = test[0]  
  38.     groundtruth = test[1]  
  39.     labels_id = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]  
  40.   
  41.     return Mat_Label, labels, labels_id, Mat_Unlabel, groundtruth  
  42.   
  43. # return k neighbors index  
  44. def navie_knn(dataSet, query, k):  
  45.     numSamples = dataSet.shape[0]  
  46.   
  47.     ## step 1: calculate Euclidean distance  
  48.     diff = np.tile(query, (numSamples, 1)) - dataSet  
  49.     squaredDiff = diff ** 2  
  50.     squaredDist = np.sum(squaredDiff, axis = 1) # sum is performed by row  
  51.   
  52.     ## step 2: sort the distance  
  53.     sortedDistIndices = np.argsort(squaredDist)  
  54.     if k > len(sortedDistIndices):  
  55.         k = len(sortedDistIndices)  
  56.     return sortedDistIndices[0:k]  
  57.   
  58.   
  59. # build a big graph (normalized weight matrix)  
  60. # sparse U x (U + L) matrix  
  61. def buildSubGraph(Mat_Label, Mat_Unlabel, knn_num_neighbors):  
  62.     num_unlabel_samples = Mat_Unlabel.shape[0]  
  63.     data = []; indices = []; indptr = [0]  
  64.     Mat_all = np.vstack((Mat_Label, Mat_Unlabel))  
  65.     values = np.ones(knn_num_neighbors, np.float32) / knn_num_neighbors  
  66.     for i in xrange(num_unlabel_samples):  
  67.         k_neighbors = navie_knn(Mat_all, Mat_Unlabel[i, :], knn_num_neighbors)  
  68.         indptr.append(np.int32(indptr[-1]) + knn_num_neighbors)  
  69.         indices.extend(k_neighbors)  
  70.         data.append(values)   
  71.     return csr_matrix((np.hstack(data), indices, indptr))  
  72.   
  73.   
  74. # build a big graph (normalized weight matrix)  
  75. # sparse U x (U + L) matrix  
  76. def buildSubGraph_MPI(Mat_Label, Mat_Unlabel, knn_num_neighbors):  
  77.     num_unlabel_samples = Mat_Unlabel.shape[0]  
  78.     local_data = []; local_indices = []; local_indptr = [0]  
  79.     Mat_all = np.vstack((Mat_Label, Mat_Unlabel))  
  80.     values = np.ones(knn_num_neighbors, np.float32) / knn_num_neighbors  
  81.     sample_offset = np.linspace(0, num_unlabel_samples, comm_size + 1).astype('int')  
  82.     for i in range(sample_offset[comm_rank], sample_offset[comm_rank+1]):  
  83.         k_neighbors = navie_knn(Mat_all, Mat_Unlabel[i, :], knn_num_neighbors)  
  84.         local_indptr.append(np.int32(local_indptr[-1]) + knn_num_neighbors)  
  85.         local_indices.extend(k_neighbors)  
  86.         local_data.append(values)  
  87.     data = np.hstack(comm.allgather(local_data))  
  88.     indices = np.hstack(comm.allgather(local_indices))  
  89.     indptr_tmp = comm.allgather(local_indptr)  
  90.     indptr = []  
  91.     for i in range(len(indptr_tmp)):  
  92.         if i == 0:  
  93.             indptr.extend(indptr_tmp[i])  
  94.         else:  
  95.             last_indptr = indptr[-1]  
  96.             del(indptr[-1])  
  97.             indptr.extend(indptr_tmp[i] + last_indptr)  
  98.     return csr_matrix((np.hstack(data), indices, indptr), dtype = np.float32)  
  99.   
  100.   
  101. # label propagation  
  102. def run_label_propagation_sparse(knn_num_neighbors = 20, max_iter = 100, tol = 1e-4, test_per_iter = 1):  
  103.     # load data and graph  
  104.     print "Processor %d/%d loading graph file..." % (comm_rank, comm_size)  
  105.     #Mat_Label, labels, Mat_Unlabel, groundtruth = loadFourBandData()  
  106.     Mat_Label, labels, labels_id, Mat_Unlabel, unlabel_data_id = load_MNIST()  
  107.     if comm_size > len(labels_id):  
  108.         raise ValueError("Sorry, the processors must be less than the number of classes")  
  109.     #affinity_matrix = buildSubGraph(Mat_Label, Mat_Unlabel, knn_num_neighbors)  
  110.     affinity_matrix = buildSubGraph_MPI(Mat_Label, Mat_Unlabel, knn_num_neighbors)  
  111.       
  112.     # get some parameters  
  113.     num_classes = len(labels_id)  
  114.     num_label_samples = len(labels)  
  115.     num_unlabel_samples = Mat_Unlabel.shape[0]  
  116.   
  117.     affinity_matrix_UL = affinity_matrix[:, 0:num_label_samples]  
  118.     affinity_matrix_UU = affinity_matrix[:, num_label_samples:num_label_samples+num_unlabel_samples]  
  119.   
  120.     if comm_rank == 0:  
  121.         print "Have %d labeled images, %d unlabeled images and %d classes" % (num_label_samples, num_unlabel_samples, num_classes)  
  122.       
  123.     # divide label_function_U and label_function_L to all processors  
  124.     class_offset = np.linspace(0, num_classes, comm_size + 1).astype('int')  
  125.       
  126.     # initialize local label_function_U  
  127.     local_start_class = class_offset[comm_rank]  
  128.     local_num_classes = class_offset[comm_rank+1] - local_start_class  
  129.     local_label_function_U = eye(num_unlabel_samples, local_num_classes, 0, np.float32, format='csr')  
  130.       
  131.     # initialize local label_function_L  
  132.     local_label_function_L = lil_matrix((num_label_samples, local_num_classes), dtype = np.float32)  
  133.     for i in xrange(num_label_samples):  
  134.         class_off = int(labels[i]) - local_start_class  
  135.         if class_off >= 0 and class_off < local_num_classes:  
  136.             local_label_function_L[i, class_off] = 1.0  
  137.     local_label_function_L = local_label_function_L.tocsr()  
  138.     local_label_info = affinity_matrix_UL.dot(local_label_function_L)  
  139.     print "Processor %d/%d has to process %d classes..." % (comm_rank, comm_size, local_label_function_L.shape[1])  
  140.       
  141.     # start to propagation  
  142.     iter = 1; changed = 100.0;  
  143.     evaluation(num_unlabel_samples, local_start_class, local_label_function_U, unlabel_data_id, labels_id)  
  144.     while True:  
  145.         pre_label_function = local_label_function_U.copy()  
  146.           
  147.         # propagation  
  148.         local_label_function_U = affinity_matrix_UU.dot(local_label_function_U) + local_label_info  
  149.           
  150.         # check converge  
  151.         local_changed = abs(pre_label_function - local_label_function_U).sum()  
  152.         changed = comm.reduce(local_changed, root = 0, op = MPI.SUM)  
  153.         status = 'RUN'  
  154.         test = False  
  155.         if comm_rank == 0:  
  156.             if iter % 1 == 0:  
  157.                 norm_changed = changed / (num_unlabel_samples * num_classes)  
  158.                 print "---> Iteration %d/%d, changed: %f" % (iter, max_iter, norm_changed)  
  159.             if iter >= max_iter or changed < tol:  
  160.                 status = 'STOP'  
  161.                 print "************** Iteration over! ****************"  
  162.             if iter % test_per_iter == 0:  
  163.                 test = True  
  164.             iter += 1  
  165.         test = comm.bcast(test if comm_rank == 0 else None, root = 0)  
  166.         status = comm.bcast(status if comm_rank == 0 else None, root = 0)  
  167.         if status == 'STOP':  
  168.             break  
  169.         if test == True:  
  170.             evaluation(num_unlabel_samples, local_start_class, local_label_function_U, unlabel_data_id, labels_id)  
  171.     evaluation(num_unlabel_samples, local_start_class, local_label_function_U, unlabel_data_id, labels_id)  
  172.   
  173.   
  174. def evaluation(num_unlabel_samples, local_start_class, local_label_function_U, unlabel_data_id, labels_id):  
  175.     # get local label with max score  
  176.     if comm_rank == 0:  
  177.         print "Start to combine local result..."  
  178.     local_max_score = np.zeros((num_unlabel_samples, 1), np.float32)   
  179.     local_max_label = np.zeros((num_unlabel_samples, 1), np.int32)  
  180.     for i in xrange(num_unlabel_samples):  
  181.         local_max_label[i, 0] = np.argmax(local_label_function_U.getrow(i).todense())  
  182.         local_max_score[i, 0] = local_label_function_U[i, local_max_label[i, 0]]  
  183.         local_max_label[i, 0] += local_start_class  
  184.           
  185.     # gather the results from all the processors  
  186.     if comm_rank == 0:  
  187.         print "Start to gather results from all processors"  
  188.     all_max_label = np.hstack(comm.allgather(local_max_label))  
  189.     all_max_score = np.hstack(comm.allgather(local_max_score))  
  190.       
  191.     # get terminate label of unlabeled data  
  192.     if comm_rank == 0:  
  193.         print "Start to analysis the results..."  
  194.         right_predict_count = 0  
  195.         for i in xrange(num_unlabel_samples):  
  196.             if i % 1000 == 0:  
  197.                 print "***", all_max_score[i]  
  198.             max_idx = np.argmax(all_max_score[i])  
  199.             max_label = all_max_label[i, max_idx]  
  200.             if int(unlabel_data_id[i]) == int(labels_id[max_label]):  
  201.                 right_predict_count += 1  
  202.         accuracy = float(right_predict_count) * 100.0 / num_unlabel_samples  
  203.         print "Have %d samples, accuracy: %.3f%%!" % (num_unlabel_samples, accuracy)  
  204.   
  205.   
  206. if __name__ == '__main__':  
  207.     run_label_propagation_sparse(knn_num_neighbors = 20, max_iter = 30)  

五、参考资料

[1]Semi-SupervisedLearning with Graphs.pdf

class_brick
关注
专栏目录
Label Propagation标签传播算法原理与代码实例讲解
AI大模型应用之禅
06-29 1088
Label Propagation标签传播算法原理与代码实例讲解 关键词：标签传播算法, 半监督学习, 图算法, 社区发现, 分类, 机器学习 1. 背景介绍 在机器学习领域，我们常常面临这样的情况：海量的数据
标签传播算法（Label Propagation）及Python实现
热门推荐
zouxy09的专栏
10-13 11万+
标签传播算法（Label Propagation）及Python实现zouxy09@qq.comhttp://blog.csdn.net/zouxy09 一、半监督学习       半监督学习（Semi-supervisedlearning）发挥作用的场合是：你的数据有一些有label，一些没有。而且一般是绝大部分都没有，只有少许几个有label。半监督学习算法会充分的利用unlabeled数据来
标签传播和消息传递 （半监督节点分类）
最新发布
hello！
09-08 566
标签传播：适用于简单的图结构，通过迭代传播已知节点的标签来预测未标记节点的标签。消息传递：适用于复杂的图结构，通过节点之间的消息交换来更新节点的表示，从而实现节点分类等任务。在实际应用中，可以根据图的复杂度和任务需求选择合适的方法。对于简单的图结构和半监督学习任务，标签传播可能是一个不错的选择；而对于复杂的图结构和需要捕捉复杂模式的任务，消息传递（如GNNs）则更为合适。
标签传播算法解读
喜欢打酱油的老鸟
07-10 2372
2020-07-08 11:00:08 作者：Vijini Mallawaarachchi 编译：ronghuaiyang 导读 基于图的标签传播算法的简单介绍。 社交媒体网络已经遍布全球，并且每天都在增长。对于一个社交网络，你知道一些人的兴趣，你想预测其他人的兴趣，这样我们就可以有针对性地进行营销活动。为此，我们可以使用叫标签传播的基于图的半监督机器学习技术。在本文中，我将通过一些示例和示例代码解释标签传播过程。 什么是标签传播？ 标签传播算法(LPA)是一种迭代算法，通过在数据集中
标签传播算法(LPA)
为援不可图
09-01 3105
标签传播算法(Label Propagation Algorithm，LPA)，是一种基于标签传播的局部社区划分算法。LPA将Grpah中的每个节点打上唯一的标签，通过随机选择一个node作为起始节点，根据其相连节点的标签改变自己的标签，以此来对整个图进行遍历，每一次迭代，图局部标签进行更新，从而达到整个Graph的标签确定。
python社区发现_网络算法系列之社区发现（一）：标签传播算法
weixin_39611047的博客
11-30 1181
社区发现简介社区发现问题实际上是从子图分割的问题演变而来。在社交网络中，有些用户连接非常紧密，有些用户连接较为稀疏，这些连接紧密的用户可以看做一个社区，而社区之间连接较为稀疏。下图就展示了一个社区发现。目前的社区发现问题分为两大类：非重叠社区发现和重叠社区发现。非重叠社区发现问题描述的是：一个网络中，每个节点均只能属于同一个社区，这意味这社区和社区之间是没有交集的。在非重叠社区发现算法中，有不同种...
标签传播算法(LPA) Matlab实例
03-21
标签传播算法（Label Propagation Algorithm, LPA）是一种简单而有效的无监督聚类方法，尤其适用于大规模图数据的处理。在Matlab环境中实现LPA，能够帮助用户更好地理解和应用这一算法。下面将详细介绍标签传播算法...
标签传播算法LPA
01-15
标签传播算法（Label Propagation Algorithm，简称LPA）是一种用于社区检测或网络社团发现的算法。社区检测是网络分析中的一个重要领域，旨在识别网络中高度连接的子集，这些子集被称为社团。LPA因其简单高效的特点...
最小代价路径标签传播算法
02-25
最小代价路径标签传播算法
标签传播算法（半监督图算法）
u013385018的专栏
03-13 2371
graphx 实现 参数调优很简单。LPA 使用最大迭代参数运行，并且使用默认值 5 就可以得到一些好的结果。Raghavan 和她的合作者在几个有标签的网络上测试了 LPA。他们发现至少 95% 的节点在 5 次迭代中被正确分类。 运行时间内近线性。LPA 的每次迭代都是 O (m)，边的数量是线性的。与 以前的一些社区检测解决方案中的O (n log n) 或 O (m+n) 相比，...
标签传播算法(Label Propagation Algorithm)
诗蕊的专栏
09-03 3万+
半监督学习(Semi-supervised Learning SSL) 半监督学习是一种有监督学习和无监督学习想结合的一种方法，其主要思想是基于数据分布上的模型假设，利用少量的已标注数据进行指导并预测未标记数据的标记，并合并到标记数据集中去。 标签传播算法的基本思路 标签传播算法是基于图的半监督学习方法，基本思路是从已标记的节点的标签信息来预测未标记的节点的标签信息，利用样本间的关系，建...
标签传播算法（LPA)
叨叨的博客
06-24 1244
算法步骤 为网络中每个节点设置一个唯一的标签，并将其作为单独的社团。通常以节点的序号作为初始标签。 遍历所有节点，按以下标签传播规则更新每个节点的标签：选择其邻居节点数值最大的那个标签作为节点的标签。当数值最大的标签不唯一时，随机选择一个标签去更新节点标签 迭代执行步骤2，直到所有节点标签不再更新或达到迭代次数，算法结束。 具有相同标签的节点集就认为是一个社团 优点 思想简单，易于实现，效率较高 具有近似线性时间复杂度 缺点 迭代更新过程中随机选取节点更新标签，导致算法不稳定 容易形成巨型社区 初
聚类四之标签传递算法（LPA）
zhao_crystal的博客
10-18 1648
目录 1.标签传递算法（Label Propagation Algorithm, LPA） 1.1 LPA的算法原理 2. 参考文献 1.标签传递算法（Label Propagation Algorithm, LPA） 对于部分样本的标记给定，而大多数样本的标记未知的情形，是半监督学习的问题。 1.1 LPA的算法原理 LPA将标记样本的标记通过一定的概率传递给未标记的样本，直到最终收敛。 举个简单的例子，如下图所示，任意一个未标记的样本A，寻找距离A最近的有标记的7个样本，发现7个距...
dgl 标签传播算法
01-26
DGL标签传播算法是一种用于图数据分析的算法。在该算法中，节点通过与其相邻节点的标签信息进行交流和更新，从而逐步传播和调整标签，以实现信息的传递和聚类。 DGL标签传播算法通常包括以下几个步骤：首先，初始化...
评论
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