图神经网络改进-手把手教你改代码-第5期:图增强方法

最新推荐文章于 2024-07-15 16:15:55 发布

图小狮

最新推荐文章于 2024-07-15 16:15:55 发布

阅读量310

点赞数 2

文章标签：神经网络人工智能深度学习

本文链接：https://blog.csdn.net/qq_35616944/article/details/137154347

版权

本系列项目主攻：代码分享与讲解、创新思路解析、前沿模块缝合及二次创新实现方法。
项目主要提供关于：

图神经网络
图对比学习
图结构学习
超图神经网络
超图对比学习
超图结构学习

这六种方向的通用模型、原创代码以及改进思路，供大家参考学习，后续还会持续更新各种下游任务的代码以及改进思路，帮助大家提升代码水平，多发论文。

希望可以帮助大家快速上手实践图神经网络，实践是最好的入门方式！

祝大家论文顺利，accept冲冲冲！

下期预告：手把手教你怎么修改某一论文代码，添加你想要的模块或想要实现的功能

新视频将很快上线，B站关注：图小狮即可收到最新视频推送！

第5期：五种基础图增强方法

详细讲解视频：【图神经网络改进-手把手教你改代码-第5期】

项目Github：图小狮

如何使用？

在模型的forward方法中调用即可。这五种图增强方法的具体实现见github，逐行精讲详见视频

def forward(self, data):
        x, edge_index, edge_attr = data.x, data.edge_index, data.edge_attr
        x = self.conv1(x, edge_index, edge_attr).relu()
        # edge_attr = adjust_edge_weights_by_similarity(x, edge_index, edge_attr)
        # x = mask_node_features(x, mask_rate=0.1)
        # x = perturb_node_features(x, noise_level=0.01)
        # edge_index = remove_edges(edge_index, remove_rate=0.01)
        # edge_index = add_edges(edge_index, x.shape[0])

        x = F.dropout(x, p=self.dropout_rate, training=self.training)
        x = self.conv2(x, edge_index, edge_attr)
        return x