Pytorch模型(3)——图卷积网络

最新推荐文章于 2025-04-05 13:47:12 发布
最新推荐文章于 2025-04-05 13:47:12 发布
阅读量3.8k 收藏 34
点赞数 5
分类专栏： 深度学习 文章标签： 神经网络 深度学习 人工智能
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/fengyuhao1995/article/details/107189426
版权

概述

一种用在图结构数据上的网络结构

图卷积与卷积的思想类似，卷积网络通过卷积核计算对应点的像素及周边点的像素的加权和；而图卷积是通过邻接矩阵计算对应节点的向量与周边节点的向量的加权和。

在这里插入图片描述

要计算节点A的Embedding，我们有以下的两条想法：

节点A的Embedding，是它的邻接节点B、C、D的Embedding传播的结果
而节点B、C、D的Embedding，又是由它们各自的邻接节点的Embedding传播的结果。

在构造两层的前提下
在这里插入图片描述

  • Layer-0

第0层即输入层，为每个节点的初始向量（根据所处领域里特征数据进行构建），不妨称为初始Embedding。

  • Layer-1

节点B的Embedding来自它的邻接点A、C的Embedding的传播。

节点C的Embedding来自它的邻接点A、B、C、D的Embedding的传播。

节点D的Embedding来自它的邻接点A的Embedding的传播。

  • Layer-2

节点A的Embedding来自它的邻接点B、C、D的Embedding的传播。



图相关矩阵的定义

  • 邻接矩阵A
  • 度矩阵D
  • 拉普拉斯矩阵L
    在这里插入图片描述


图卷积的通式

H l + 1 = f ( H l , A ) H^{l+1}=f(H^l, A) Hl+1=f(Hl,A)
这里 H 0 = X H^0 = X H0=X为初始图的节点矩阵， X ∈ R N × D X \in R^{N \times D} X∈RN×D，其中N为图中的节点个数，D为每个节点特征向量的维度，A为邻接矩阵，不同的通式实现的不同在于函数 f f f的实现不同

实现一

H l + 1 = σ ( A H l W l ) H^{l+1}=\sigma (AH^lW^l) Hl+1=σ(AHlWl)
W l W^l

最低0.47元/天 解锁文章
PyTorch实现图卷积（Graph Convolution）方法
KdpdCode的博客
09-25 393
首先，我们准备了图数据，包括邻接矩阵、节点特征和标签。然后，我们定义了一个简单的图卷积模型，并进行了训练和预测。通过这个例子，你可以了解到如何在PyTorch中实现图卷积模型，并在实际任务中使用。图卷积是一种用于处理图数据的深度学习方法，它将传统的卷积操作推广到了图结构上。图卷积在节点分类、图分类、链接预测等任务中取得了广泛的应用。本文将介绍如何使用PyTorch实现图卷积模型，并提供相应的源代码。最后，在没有梯度计算的情况下，我们使用训练好的模型进行预测。接下来，我们需要定义图卷积模型。
用PyTorch实现图卷积神经网络(Graph Convolutional Neural Networks)
KsClang的博客
09-27 366
我们首先定义了GraphConv层和GraphConvolutionalNetwork类，然后使用训练数据对模型进行训练，并使用训练好的模型进行预测。最后，我们使用训练好的模型对新的输入数据进行预测，并使用。图卷积层是GCN的核心组件之一，它通过聚合每个节点的邻居信息来更新节点的特征表示。方法中，我们按照顺序将输入特征和邻接矩阵传递给每个GraphConv层，并返回最终的特征表示。现在，我们可以使用定义好的图卷积神经网络来进行节点分类任务的训练和预测。在上面的代码中，我们首先创建了一个图卷积神经网络模型。
Python-用于半监督分类的图形卷积网络GCN的PyTorch实现
08-11
用于半监督分类的图形卷积网络（GCN）的PyTorch实现
详解使用PyTorch搭建卷积网络对一维数据集识别（全流程）
最新发布
weixin_52052253的博客
04-05 824
最近在做一维信号的识别，网上大多数案例是针对图像的二维信号识别。虽然一维二维本质上没什么区别，但在处理方式上还是略有不同，因此在此做一个简单记录，方便更好地熟悉模式识别的流程。本文旨在使用PyTorch框架结合一维卷积神经网络（1D CNN）对一维信号进行分类。内容包括数据形式，数据加载、数据集构建、模型训练和模型测试、混淆矩阵可视化、模型导出、模型参数可视化、onnx推理等步骤。上述所有代码中变量名称无重复的，我在jupyter中调试都是从上往下依次运行的，可以将代码块按照顺序依次运行调试；
pyTorch-图卷积神经网络
idealism_的博客
11-09 1480
import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv from torch_geometric.nn import MessagePassing from torch_geometric.utils import add_self_loops, degree from torch_geometric.datasets import Planetoid dataset = Planetoid
PyTorch实现图卷积（GraphConv）
library_git927的博客
09-17 714
现在，我们可以使用我们定义的图卷积网络进行训练和推断。我们可以将输入特征表示为一个形状为(N, D)的张量，并将邻接矩阵表示为一个形状为(N, N)的稀疏矩阵。在推断阶段，我们将模型设置为评估模式，并使用得到的输出进行预测。方法中，我们首先计算输入特征和权重之间的矩阵乘法，然后使用邻接矩阵对乘积结果进行稀疏矩阵乘法操作。最后，我们添加偏置，并返回输出。在构造函数中，我们定义了输入特征的维度、输出类别的数量以及隐藏层的单元数。在构造函数中，我们定义了输入特征和输出特征的维度，并创建了权重和偏置参数。
图卷积神经网络(GCN)综述与实现（PyTorch版)
qq_45957458的博客
06-14 1万+
图卷积神经网络的数学推导和实现！
pytorch实现task5——卷积神经网络基础；leNet；卷积神经网络进阶
01-07
卷积神经网络基础 卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）...
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 1万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 1万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
基于Pytorch深度学习——卷积神经网络(卷积层/池化层/多输入多输出通道/填充和步幅/)
EchoToMe的博客
05-05 1146
本文章来源于对`李沐动手深度学习`代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行**尽量逐行详细解释** 并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用**逐行解释+小实验**的方式来给大家解释代码 基于Pytorch深度学习——卷积神经网络(卷积层/池化层/多输入多输出通道/填充和步幅)
GCNII:“简单和深图卷积网络”的PyTorch实现
04-14
简单和深图卷积网络 该存储库包含“简单和深度图卷积网络”的PyTorch实现。（ ） 依存关系 CUDA 10.1 python 3.6.9 pytorch 1.3.1 网络x 2.1 scikit学习 数据集 data文件夹包含来自三个基准数据集（Cora，Citeseer，Pubmed），而newdata文件夹包含四个数据集（Chameleon，Cornell，德克萨斯州，威斯康星州）。 我们使用与相同的半监督设置，并使用与Geom-GCN相同的全监督设置。 可以从下载PPI。 结果 测试精度总结如下。 数据集 深度 公制 数据集 深度 公制 科拉 64 85.5 湛 8 62.48 引用 32 73.4 玉米 16 76.49 客栈 16 80.3 德州 32 77.84 科拉（满） 64 88.49 威士 16 81.57 引用（完整
用 Pytorch 理解卷积网络
Oner.wv的专栏
12-07 362
来源：AI开发者翻译：天字一号、雪丽•斯梅德审校：鸢尾、唐里在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99％的精度。我们每天都会看到这种情况-智能手机可以识别相机中...
基于Pytorch的图卷积网络GCN实例应用及详解
热门推荐
rothschild666的博客
03-27 2万+
基于Pytorch的图卷积网络GCN实例应用及详解 一、图卷积网络GCN定义 图卷积网络实际上就是特征提取器，只不过GCN的数据对象是图。图的结构一般来说是十分不规则，可以看作是多维的一种数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction）和获得图的嵌入表示（graph embedding），用途十分广泛。 二、图卷积网络G
Graph Convolutional Network (GCN) 图卷积网络
酒酿小圆子呀～
07-03 8230
基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客
图机器学习笔记+图卷积pytorch实现
qq_35985044的博客
04-04 330
子图的几个表征参数： motifs， graphlets，structural roles
如何使用pytorch写一个图卷积神经网络（GCN）
mainzld的博客
05-08 1747
图卷积网络（Graph Convolutional Network，GCN）是近年来逐渐流行的一种神经网络结构，它能够处理具有广义拓扑图结构的数据，并深入发掘其特征和规律。图卷积网络的关键是学习一个函数，该函数通过聚合节点自身的特征及其邻居节点的特征来生成节点的表示。社交网络分析：图卷积网络可以应用于社交网络分析，用于识别社区结构、推荐好友、分析信息传播等。例如，通过构建用户交互图，图卷积网络可以学习用户的兴趣和偏好，从而为用户推荐相似兴趣的好友或内容。
图卷积神经网络分类的pytorch实现
https://www.cnblogs.com/qizhou/
02-20 555
　　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...
判断深度学习模型的稳定性_图深度学习连载八，入门教程之简化图卷积模型
weixin_39820173的博客
10-21 261
本教程是一个系列免费教程，争取每月更新2到4篇。主要是基于图深度学习的入门内容。讲述最基本的基础知识，其中包括深度学习、数学、图神经网络等相关内容。该教程由代码医生工作室出版的全部书籍混编节选而成。偏重完整的知识体系和学习指南。在实践方面不会涉及太多基础内容 (实践和经验方面的内容，请参看原书)。文章涉及使用到的框架以PyTorch和TensorFlow为主。默认读者已经掌握Python和Tens...
pytorch上的常用卷积设计网络模型
03-23
### 常见的 PyTorch 卷积神经网络模型设计与实现 在 PyTorch 中构建卷积神经网络（CNN），通常会涉及多个核心组件的设计与组合，这些组件包括但不限于 `nn.Module` 的使用、卷积层、池化层、激活函数以及全连接层等[^1]。 #### 1. **基本骨架——`nn.Module`** PyTorch 提供了一个灵活的基础类 `nn.Module` 来定义自定义神经网络架构。通过继承该类并重写其方法（如 `__init__` 和 `forward` 方法），可以轻松创建复杂的 CNN 模型。例如： ```python import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 定义卷积层和其他模块 self.conv_layers = nn.Sequential( nn.Conv2d(1, 32, kernel_size=5, stride=1), # 输入通道数为1，输出通道数为32 nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Conv2d(32, 64, kernel_size=3, stride=1), # 输出通道数变为64 nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) self.fc_layer = nn.Linear(64 * 5 * 5, 10) # 全连接层 def forward(self, x): out = self.conv_layers(x) out = out.view(out.size(0), -1) # 展平处理 out = self.fc_layer(out) return out ``` 上述代码展示了如何利用 `nn.Module` 构建一个简单的两层卷积神经网络，并结合 ReLU 非线性激活函数和最大池化操作来提取特征[^2]。 --- #### 2. **卷积层与池化层的作用** 卷积层的核心功能是对输入数据应用一系列可学习的滤波器（即卷积核）以检测局部模式；而池化层则用于降低空间维度，减少计算量的同时保留重要信息。两者共同构成了 CNN 的主要隐藏层结构[^2]。 具体来说，在设计卷积层时需要注意以下几个参数的选择： - **卷积核数量**：初始阶段建议从小规模开始（如 32 或者更少），随着层数加深逐步增大。 - **卷积核尺寸**：对于灰度图片或者简单场景下的特征提取，可以选择较大的窗口（比如 \(5 \times 5\)），后续再逐渐缩小至 \(3 \times 3\)[^3]。 - **步幅（stride）**：默认情况下设为 1 是较为常见的做法。 - **零填充（padding）**：可以通过调整 padding 参数保持原始分辨率不变或控制最终输出形状。 --- #### 3. **非线性激活函数的应用** 为了增强模型表达能力，引入非线性变换至关重要。ReLU 函数作为最广泛使用的激活函数之一，因其高效性和易于优化的特点被普遍采用。它能够有效缓解梯度消失问题，促进深层网络的学习过程[^4]。 以下是 ReLU 在实际中的调用方式： ```python activation_function = nn.ReLU() output = activation_function(input_tensor) ``` 除此之外，还有其他类型的激活函数可供选择，例如 Sigmoid、Tanh 等，但在现代深度学习实践中，ReLU 及其变体往往表现更好。 --- #### 4. **全连接层的功能描述** 经过若干次卷积与池化的预处理之后，得到的是低维向量形式的数据表示。此时需借助全连接层完成分类或其他特定任务目标。假设最后一轮卷积后的张量大小为 \(C \times H \times W\) ，那么展平后送入 FC Layer 进行映射即可得出预测结果。 示例代码片段如下所示： ```python flattened_input = input_tensor.view(batch_size, -1) fc_output = fully_connected(flattened_input) ``` 其中 `-1` 表达自动推导剩余维度长度的意思。 --- ### 总结 综上所述，基于 PyTorch 实现标准 CNN 主要围绕着几个关键要素展开讨论，分别是基础框架搭建(`nn.Module`)、逐级深入挖掘图像内部规律(卷积+池化)，最后经由密集关联节点做出决策判断(全连接层)。整个流程环环相扣缺一不可。
评论 1
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