Deep_GCN_Benchmarking 项目使用教程
Deep_GCN_Benchmarking项目地址:https://gitcode.com/gh_mirrors/de/Deep_GCN_Benchmarking
1. 项目的目录结构及介绍
Deep_GCN_Benchmarking 项目的目录结构如下:
Deep_GCN_Benchmarking/
├── configs/
│ └── ... (各种模型配置文件)
├── data/
│ └── ... (数据集文件)
├── layers/
│ └── ... (图神经网络层实现)
├── nets/
│ └── ... (图神经网络模型实现)
├── scripts/
│ └── ... (脚本文件)
├── train/
│ └── ... (训练相关文件)
├── utils/
│ └── ... (工具函数)
├── visualization/
│ └── ... (可视化相关文件)
├── .gitignore
├── LICENSE
├── README.md
├── environment_cpu.yml
├── environment_gpu.yml
├── main_COLLAB_edge_classification.ipynb
├── main_COLLAB_edge_classification.py
├── main_CSL_graph_classification.ipynb
└── main_CSL_graph_classification.py
目录介绍:
configs/
: 包含各种模型的配置文件。data/
: 存储数据集文件。layers/
: 包含图神经网络层的实现。nets/
: 包含图神经网络模型的实现。scripts/
: 包含各种脚本文件。train/
: 包含训练相关文件。utils/
: 包含工具函数。visualization/
: 包含可视化相关文件。.gitignore
: Git 忽略文件配置。LICENSE
: 项目许可证。README.md
: 项目说明文档。environment_cpu.yml
: CPU 环境配置文件。environment_gpu.yml
: GPU 环境配置文件。main_COLLAB_edge_classification.ipynb
: 边分类任务的 Jupyter Notebook 文件。main_COLLAB_edge_classification.py
: 边分类任务的 Python 脚本文件。main_CSL_graph_classification.ipynb
: 图分类任务的 Jupyter Notebook 文件。main_CSL_graph_classification.py
: 图分类任务的 Python 脚本文件。
2. 项目的启动文件介绍
项目的启动文件主要是 main_COLLAB_edge_classification.py
和 main_CSL_graph_classification.py
。
main_COLLAB_edge_classification.py
该文件用于启动边分类任务的训练和评估。使用方法如下:
python main_COLLAB_edge_classification.py --compare_model=1 --cuda_num=0 --type_model=<model> --dataset=<dataset>
其中 <model>
和 <dataset>
需要替换为具体的模型和数据集名称。
main_CSL_graph_classification.py
该文件用于启动图分类任务的训练和评估。使用方法如下:
python main_CSL_graph_classification.py --compare_model=1 --cuda_num=0 --type_model=<model> --dataset=<dataset>
同样,<model>
和 <dataset>
需要替换为具体的模型和数据集名称。
3. 项目的配置文件介绍
项目的配置文件主要位于 configs/
目录下,每个模型都有对应的配置文件。例如:
configs/APPNP.yml
configs/DAGNN.yml
configs/GAT.yml
configs/GCN.yml
configs/GCNII.yml
configs/GPRGNN.yml
configs/JKNet.yml
configs/SGC.yml
这些配置文件定义了模型的超参数和其他相关设置。在使用特定模型时,需要参考对应的配置文件进行参数设置。
例如,使用 APPNP 模型在 Cora 数据集上进行训练时,可以参考 configs/APPNP.yml
文件中的参数设置。
model: APPNP
dataset: Cora
learning_rate: 0.01
hidden_channels: 64
dropout: 0.5
...
通过修改这些配置文件,可以调整模型的训练参数,以达到最佳的训练效果。
Deep_GCN_Benchmarking项目地址:https://gitcode.com/gh_mirrors/de/Deep_GCN_Benchmarking