Planetoid手动导入Cora数据集

已于 2022-03-20 15:02:24 修改
阅读量1.8k 收藏 8
点赞数 5
分类专栏： 图神经网络 文章标签： 神经网络 深度学习 人工智能
于 2021-11-21 11:12:37 首次发布
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/qq_42969578/article/details/121450994
版权

首先建立文件夹在你的相对路径下建立如下图所示文件目录
data

  • Cora
    • processed
    • raw

在这里插入图片描述

把下载好的数据集放入raw中，然后运行如下代码

#导入数据集
from torch_geometric.datasets import Planetoid
dataset = Planetoid(root = "data/", name = "Cora")
print(dataset)
fVector
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch_geometric：Planetoid数据集合
NockinOnHeavensDoor的博客
04-20 5546
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 sh...
Cora数据集，可供加载
02-24
Cora数据集，可以通过Planetoid进行加载
【PyG】PyG中的Cora数据集
YGGP的博客
02-27 324
以下内容引用自。Cora数据集共包含2708个样本点，每个样本点的特征向量长度为1433。每个样本点都是一篇科学论文，样本点总共有7个类别。每篇论文的特征向量长度为1433，特征是一个词向量，词向量的每一个元素对应一个词，且该元素是一个布尔值，如果为1，那就代表这个词在论文中出现过，否则就是没出现过。Cora数据集是图结构数据，是著名的论文引用数据集。下面通过PyG来对Cora数据集进行读取，并在python中对数据集的结构进行查看。
图数据转换包- Cora 2转8 Planetoid小行星 项目介绍
最新发布
人工智能曾小健
03-19 713
小行星介绍。杨志林、威廉·W·科恩、鲁斯兰·萨拉胡迪诺夫。ICML 2016。如果您使用本存储库中的数据集或代码，请引用上述论文。运行演示我们将 Citeseer 数据集包含在目录中data，其中所需的数据结构已picke。要运行传导transductive版本要运行感应inductive版本您可以参考我们模型的示例用法。楷模这些模型主要以(transconductive) 和(inducing) 方式实现，并继承自. 您可以参考源文件以获取详细的 API 文档。准备数据。
图神经网络demo——图卷积基于Planetoid数据集
长夜漫漫，无心睡眠
01-15 693
如果Planetoid数据集加载超时，那么咱们可以把planetoid.py文件中的url从github的地址改为码云的地址：https://gitee.com/jiajiewu/planetoid/raw/master/data。
图数据集Planetoid御三家：Cora，CiteSeer，PubMed详解
热门推荐
诸神缄默不语的博客
10-11 1万+
本文介绍经典图数据集：Cora，CiteSeer，PubMed
planetoid-master.rar（内附citeseer，cora，pubmed数据集）
07-15
在深度学习用planetoid加载数据时常常需要在github上拉起下载，有时存在连接不上，下载出现error的情况，直接将该代码完整下下来，使用相关数据集。
PyG的Planetoid无法直接下载Cora等数据集的3个解决方式
诸神缄默不语的博客
05-04 1万+
解决torch_geometric中Planetoid类因DNS污染问题无法下载Cora等数据集问题的三种方式：改hosts，手动下载数据，改源代码
planetoid code
06-07
文章Revisiting Semi-Supervised Learning with Graph Embeddings的相应代码
Planetoid:Nade Planet的精神继任者
05-17
小行星 Nade Planet的精神继任者。
benchmarking-gnns-pyg
05-27
我们使用pyg框架重构代码，并添加Planetoid和ogb数据集以进行节点分类。 1.基准安装 为GPU设置Python环境 git clone https://https://github.com/karl-zhao/benchmarking-gnns-pyg.git cd benchmarking-gnns-pyg ...
Revisiting RFID Security and Privacy.pdf
04-15
Revisiting RFID Security and Privacy.pdf
Cora数据集的导入
qq_44188666的博客
03-05 1628
图神经网路Cora数据集的导入
pytorch.geomatric 中Planetoid类
magic东的博客
02-11 7069
Planetoid是 torch_geometric.datasets中的一个类。利用Planetoid类可以处理三个数据集，分别为“Cora”、“CiteSeer”和“PubMed”。这三个数据集是“Revisiting Semi-Supervised Learning with Graph Embeddings”论文中的引文网络数据集。
明天看坎坎坷坷
qq_36001415的博客
11-22 397
import os.path as osp import torch from sklearn.metrics import roc_auc_score import torch_geometric.transforms as T from torch_geometric.nn import GCNConv from torch_geometric.datasets import Planetoid from torch_geometric.utils import negative_sampling.
适用于图神经网络GNN/GCN/GAT的cora数据集预处理代码
qq_38001450的博客
08-12 3325
适用于图神经网络GNN/GCN/GAT的cora数据集预处理代码cora数据集预处理cora数据集介绍预处理代码 cora数据集预处理 cora数据集介绍 Cora数据集由机器学习论文组成，是近年来图深度学习常使用的数据集。在数据集中，论文分为以下七类之一: 基于案例 遗传算法 神经网络 概率方法 强化学习 规则学习 理论 Cora数据集包含2708篇论文，开源的数据集下载后包含两个文件：.content和.cites .content文件包含以下格式的论文描述: <paper_id> &l
在torch_geometric.datasets中使用Planetoid手动导入Core数据集及发生相关错误解决方案
rothschild666的博客
12-03 4094
在torch_geometric.datasets中使用Planetoid手动导入Core数据集及发生相关错误解决方案
import torch_geometric 加载一些常见数据集
冬炫的博客
06-09 1220
import torch_geometric 加载一些常见数据集
torch_geometric 笔记： 数据集Cora &简易 GNN
qq_40206371的博客
10-05 2451
1 获取数据集 该数据集用于semi-supervised的节点分类任务 from torch_geometric.datasets import Planetoid dataset = Planetoid(root='/tmp/Cora', name='Cora') dataset.num_classes #7 #节点一共七个类 dataset.num_features #1433 #每个点1433个特征 len(dataset) #1 #只有一张图 dataset[0].is_undir
图卷积神经网络要求每一层之间都加入Res残差连接，要求有12层图卷积层，并且完成对cora数据集的训练与测试，写一段python代码
05-22
好的，下面是一份使用PyTorch实现12层ResGCN对cora数据集进行训练和测试的代码： 首先，需要引入必要的库和包： ```python import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv from torch_geometric.datasets import Planetoid ``` 然后，定义ResGCN模型，包括ResGCN层和一个全连接层： ```python class ResGCN(nn.Module): def __init__(self, in_channels, out_channels): super(ResGCN, self).__init__() self.conv1 = GCNConv(in_channels, out_channels) self.conv2 = GCNConv(out_channels, out_channels) self.res_conv = GCNConv(in_channels, out_channels) self.fc = nn.Linear(out_channels, 7) def forward(self, x, edge_index): res = self.res_conv(x, edge_index) x = self.conv1(x, edge_index) x = F.relu(x) x = self.conv2(x, edge_index) x = x + res x = F.relu(x) x = self.fc(x) return F.log_softmax(x, dim=1) ``` 接着，加载cora数据集： ```python dataset = Planetoid(root='/tmp/Cora', name='Cora') data = dataset[0] ``` 然后，定义模型和优化器： ```python device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = ResGCN(dataset.num_features, 64).to(device) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) ``` 接下来，定义训练函数和测试函数： ```python def train(): model.train() optimizer.zero_grad() out = model(data.x.to(device), data.edge_index.to(device)) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask].to(device)) loss.backward() optimizer.step() return loss.item() def test(): model.eval() out = model(data.x.to(device), data.edge_index.to(device)) pred = out.argmax(dim=1) test_correct = pred[data.test_mask] == data.y[data.test_mask].to(device) test_acc = int(test_correct.sum()) / int(data.test_mask.sum()) return test_acc ``` 最后，进行训练和测试，并输出测试准确率： ```python for epoch in range(1, 101): loss = train() test_acc = test() print('Epoch: {:03d}, Loss: {:.4f}, Test Acc: {:.4f}'.format(epoch, loss, test_acc)) ``` 完整代码如下：

“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

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