pytorch_geometric:Planetoid数据集合

本文介绍了PyTorch Geometric库中torch.utils.data.Dataset的抽象类及其子类,详细阐述了如何通过__getitem__和__len__操作数据集,并提到了In_memory_dataset在处理大数据集时的作用,以及如何利用数据集的分块和打乱功能进行批量化处理。
摘要由CSDN通过智能技术生成

torch.utils.data.Dataset

Dataset是数据集的抽象类,需要实现__getitem__ 和__len__:

class Dataset(object):
    """An abstract class representing a Dataset.

    All other datasets should subclass it. All subclasses should override
    ``__len__``, that provides the size of the dataset, and ``__getitem__``,
    supporting integer indexing in range from 0 to len(self) exclusive.
    """

    def __getitem__(self, index):
        raise NotImplementedError

    def __len__(self):
        raise NotImplementedError

    def __add__(self, other):
        return ConcatDataset([self, other])

其中的子类TensorDataset考虑每个样本都将通过索引第一个维度上的张量来检索

class TensorDataset(Dataset):
    """Dataset wrapping tensors.

    Each sample will be retrieved by indexing tensors along the first dimension.

    Ar
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch-geometric是一个基于PyTorch的图神经网络框架,它提供了大量的图神经网络层和数据集,可以方便地进行图数据的建模和训练。Pytorch-geometric的主要特点包括: 1. 支持多种图神经网络层,包括GCN、GAT、GraphSAGE等。 2. 提供了大量的图数据集,包括Cora、CiteSeer、PubMed等常用数据集。 3. 支持GPU加速,可以快速地进行模型训练和推理。 4. 提供了丰富的可视化工具,可以方便地对图数据进行可视化和分析。 下面是一个使用Pytorch-geometric进行图分类的例子: ```python import torch from torch_geometric.datasets import Planetoid import torch.nn.functional as F from torch_geometric.nn import GCNConv # 加载Cora数据集 dataset = Planetoid(root='/tmp/Cora', name='Cora') data = dataset[0] # 定义GCN模型 class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = GCNConv(dataset.num_features, 16) self.conv2 = GCNConv(16, dataset.num_classes) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # 训练模型 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = Net().to(device) data = data.to(device) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) model.train() for epoch in range(200): optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() # 测试模型 model.eval() _, pred = model(data.x, data.edge_index).max(dim=1) correct = float(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item()) acc = correct / data.test_mask.sum().item() print('Accuracy: {:.4f}'.format(acc)) ```

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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